INTEGRATION OF ARTIFICIAL INTELLIGENCE IN SOLID WASTE MANAGEMENT: CHALLENGES AND SOLUTIONS FOR UNEVEN DEVELOPMENT CONTEXTS
REGISTRO DOI: 10.69849/revistaft/ni10202602070655
Rayne Santiago Elford1
Humberto Batista Xavier2
Resumo
A gestão de resíduos sólidos urbanos vive um paradoxo: enquanto a literatura técnica avança com algoritmos complexos de Deep Learning e IoT, a realidade operacional de cidades no Sul Global ainda luta com infraestrutura básica e dados precários. Esta revisão narrativa examina como a ciência recente reconcilia essa sofisticação tecnológica com as restrições de governança e infraestrutura em países em desenvolvimento. Analisou-se um corpus de 30 artigos selecionados de bases de dados de alto impacto, focando na interseção entre IA, IoT e desafios de desenvolvimento. Identificou-se que a literatura opera predominantemente em “ilhas de otimização”, com soluções de IA isoladas que falham em escalar devido à fragmentação de dados e plataformas. Propõe-se um framework de transição em três estágios, onde a arquitetura Cloud-Edge e a inclusão de variáveis socioeconômicas (como o setor informal) atuam como pontes críticas. Conclui-se que a autonomia sistêmica depende menos de novos algoritmos e mais de governança de dados interoperáveis e tecnologias de borda (edge computing) adaptadas a cenários de baixa conectividade.
Palavras-chave: Inteligência Artificial; Gestão de Resíduos Sólidos; Ecossistemas Autônomos; Interoperabilidade; Smart Cities.
Abstract
Urban solid waste management faces a paradox: while technical literature advances with complex Deep Learning and IoT algorithms, the operational reality of cities in the Global South still grapples with basic infrastructure and poor-quality data. This narrative review examines how recent science reconciles this technological sophistication with governance and infrastructure constraints in developing countries. A corpus of 30 selected articles from high-impact databases was analyzed, focusing on the intersection of AI, IoT, and development challenges. It was identified that the literature predominantly operates in “islands of optimization,” with isolated AI solutions that fail to scale due to data and platform fragmentation. A three-stage transitional framework is proposed, where Cloud-Edge architecture and the inclusion of socioeconomic variables (such as the informal sector) act as critical bridges. It is concluded that systemic autonomy depends less on new algorithms and more on interoperable data governance and edge computing technologies adapted to low-connectivity scenarios.
Keywords: Artificial Intelligence; Solid Waste Management; Autonomous Ecosystems; Interoperability; Smart Cities.
1. INTRODUÇÃO
A gestão de resíduos sólidos urbanos (RSU) evoluiu de uma preocupação puramente sanitária no século XIX para um desafio logístico e ambiental complexo no século XXI. Tradicionalmente baseada em modelos lineares de coleta e descarte, a gestão de RSU enfrenta hoje a pressão por circularidade e eficiência extrema (Kaza et al., 2018). Nas últimas duas décadas, a introdução de tecnologias digitais prometeu uma revolução: o paradigma das Smart Cities trouxe a visão de sistemas onde sensores e algoritmos otimizam fluxos em tempo real (Nesmachnow et al., 2025).
Paradoxalmente, a literatura científica recente revela uma dicotomia alarmante. De um lado, multiplicam-se estudos propondo arquiteturas sofisticadas de Deep Learning para classificação visual e redes neurais para previsão de geração (Ahmad et al., 2025; Ghanbari et al., 2023). Em contrapartida, revisões focadas no Sul Global (Ásia, África, América Latina) continuam a reportar falhas elementares: ausência de dados históricos confiáveis, frotas obsoletas e incapacidade institucional (Batista et al., 2021; Zhang Z. et al., 2024). A literatura técnica de ponta frequentemente propõe soluções que pressupõem uma maturidade digital inexistente na maioria das cidades em desenvolvimento, criando um “hiato de aplicabilidade” onde a solução teórica não encontra aderência na realidade prática (Silva et al., 2023).
A persistência desse hiato não é apenas um problema acadêmico; possui implicações ambientais e sociais severas. A aplicação acrítica de tecnologias importadas pode drenar recursos escassos de municípios pobres sem gerar retorno efetivo. Como alertam Viana et al. (2023) e Vyas et al. (2022), a falta de governança de dados impede a tomada de decisão baseada em evidências, perpetuando ineficiências que custam bilhões à economia global e agravam a crise climática.
Diante deste cenário, este estudo busca responder: Como a literatura científica recente reconcilia a complexidade dos modelos de Inteligência Artificial e IoT com as restrições de infraestrutura, governança e dados predominantes nos sistemas de gestão de resíduos de países em desenvolvimento?
Os objetivos deste trabalho são: (1) mapear a evolução das aplicações de IA na gestão de resíduos; (2) sintetizar as barreiras de implementação identificadas em contextos de desenvolvimento desigual; e (3) propor um modelo conceitual integrativo que oriente a transição de soluções isoladas para ecossistemas autônomos viáveis.
A seguir, o referencial teórico discute a evolução dos paradigmas de gestão. A metodologia detalha a seleção do corpus. A seção de análise explora a fragmentação tecnológica e as soluções arquiteturais, culminando na proposição do framework de transição e nas considerações finais.
2. REFERENCIAL TEÓRICO
Historicamente, a gestão de resíduos consolidou-se sob um paradigma higienista, onde o foco primordial era a remoção rápida de materiais para proteger a saúde pública (Kaza et al. 2018). Gradualmente, a pesquisa acadêmica deslocou-se para a Pesquisa Operacional, buscando resolver o clássico Problema de Roteamento de Veículos (VRP). Nesse estágio, a meta era puramente econômica: minimizar custos de combustível e otimizar o tempo de frota, tratando a geração de resíduos como uma variável estática e previsível (Akdaş et al., 2021; Nnaji & Ogarekpe, 2024).
Com a chegada das novas tecnologias digitais e da internet, a área passou por uma mudança profunda na forma de pensar e trabalhar, unindo agora máquinas físicas com dados e sistemas digitais. O conceito de Smart Waste Management (SWM) emergiu não apenas como uma ferramenta de eficiência, mas como uma reconfiguração do serviço: a transição de uma gestão reativa, caracterizada por coletas em dias fixos, independentemente da demanda, para uma gestão proativa e dinâmica, onde a coleta ocorre sob demanda, guiada por dados em tempo real (Singh et al., 2025; Nesmachnow et al., 2025).
Contudo, essa evolução tecnológica não foi uniforme geograficamente. Observa-se a formação de um “abismo digital” acentuado: enquanto nações desenvolvidas utilizam IA para refinar a pureza da reciclagem em frações de percentual, nações em desenvolvimento ainda lutam para digitalizar registros básicos de pesagem, criando um cenário onde algoritmos avançados coexistem com lixões a céu aberto (Batista et al., 2021).
Existe um conflito básico: por um lado, busca-se a eficiência ideal; por outro, é preciso garantir que o sistema seja robusto o suficiente para funcionar de verdade, com todas as imperfeições do dia a dia. Modelos de otimização matemática, como os algoritmos híbridos propostos por Kaya (2023), buscam a “solução ótima” dentro de um sistema fechado e controlado. No entanto, em países em desenvolvimento, a aplicação desses modelos encontra barreiras intransponíveis na realidade complexa das cidades. Variáveis críticas, frequentemente ignoradas nos modelos importados, incluem a atuação imprevisível do setor informal de reciclagem (catadores), a variabilidade extrema na composição dos resíduos e a falibilidade da infraestrutura viária (Calabrò & Satira, 2020).
A literatura aponta que a “solução ótima” algorítmica é frequentemente frágil: uma rota perfeita desenhada por IA pode falhar completamente se não considerar que catadores removeram o material reciclável antes da chegada do caminhão oficial, alterando o volume e a densidade da carga prevista (Zhang S. et al., 2022). Portanto, a teoria da resiliência de sistemas sugere uma mudança de foco: em contextos de alta incerteza e dados escassos, a capacidade de adaptação (robustez) e a flexibilidade operacional são ativos mais valiosos do que a eficiência matemática pura (Calabrò & Satira, 2020; Hashemi-Amiri et al., 2023). O desafio teórico contemporâneo reside em desenvolver modelos de “Otimização Robusta” que internalizem essas incertezas sociais e estruturais como parâmetros do sistema, e não como ruído a ser descartado (Zhang S. et al., 2022; Ghanbari et al., 2023).
As ferramentas de Inteligência Artificial, especificamente Machine Learning (ML) e Deep Learning (DL), reconfiguraram o campo ao permitir, pela primeira vez, o processamento massivo de dados não estruturados (Nesmachnow et al., 2025; Singh et al., 2025). Diferente dos modelos estatísticos tradicionais que dependiam de tabelas de pesagem, as novas arquiteturas de redes neurais convolucionais (CNNs) permitem que o sistema “enxergue” e caracterize o resíduo através de imagens e padrões de consumo complexos (Ahmad et al., 2025; Chacón-Albero et al., 2025). Estudos seminais como os de Ishaque & Florence (2025) e Nedjar et al. (2025) demonstram que a visão computacional pode automatizar a triagem com precisão supra-humana, identificando contaminantes em tempo real que escapariam ao olho humano (Sivakumar et al., 2022; Pitakaso et al., 2024).
Entretanto, a eficácia dessas tecnologias de ponta expõe uma dependência crítica de infraestrutura: elas exigem um fluxo contínuo de dados de alta qualidade, geralmente provido por redes de Internet das Coisas (IoT) (Wan et al. 2022; Zhang Z. et al. 2024). Aqui reside o “paradoxo da infraestrutura”: a instalação de sensores estáticos em milhares de lixeiras impõe um custo de capital (CAPEX) e manutenção proibitivo para municípios com orçamentos restritos (Dawar et al., 2025). Em resposta a essa limitação, a literatura mais recente começa a explorar a Internet of Vehicles (IoV) e a computação em borda (Edge Computing) como alternativas frugais. Nesse novo paradigma, o próprio veículo de coleta atua como um sensor móvel, mapeando a cidade dinamicamente (Ijemaru et al., 2022), sinalizando uma adaptação teórica vital das soluções de alta tecnologia às restrições severas de infraestrutura do Sul Global.
3. METODOLOGIA DA REVISÃO
Com o propósito de responder ao problema de pesquisa, adotou-se a metodologia de Revisão Narrativa da Literatura, Conforme Rother (2007), essa metodologia qualitativa, exploratória e descritiva é ideal para sintetizar um campo de conhecimento, identificar evoluções conceituais e desenvolver estruturas teóricas a partir de um corpus documental definido. O processo analítico seguiu uma lógica interpretativa, passando por leitura imersiva e síntese crítica dos conteúdos. Assim, o desenho metodológico viabilizou não apenas descrever o estado da arte, mas também elaborar uma interpretação fundamentada da tensão entre tecnologia e contexto de desenvolvimento.
A seleção das fontes não seguiu um protocolo de busca exaustiva, como ocorreria em uma revisão sistemática. Em vez disso, adotou-se um processo intencional e iterativo, utilizando strings de busca com operadores booleanos. Optou-se pelo escopo temporal de (2018-2025) visto a rápida obsolescência das tecnologias de IA. A estratégia priorizou a interseção entre termos de tecnologia. Os termos e frases de busca incluíram (“Municipal Solid Waste” OR “MSW”) AND (“Artificial Intelligence” OR “IoT” OR “Optimization”) AND (“Developing Countries” OR “Challenges” OR “Barriers”). O método de snowballing foi aplicado para identificar referências seminais citadas nos artigos primários.
Ignorou-se estudos puramente químicos (sem viés de gestão de dados) e artigos de revisão genérica sem foco em integração tecnológica. A triagem resultou em um corpus final de 30 artigos, considerados de alta relevância por abordarem explicitamente a tensão entre tecnologia e contexto de desenvolvimento.
Os dados foram extraídos utilizando uma matriz analítica (Apêndice B e C) focada em três dimensões: (1) Nível de Integração Tecnológica (Isolado vs. Sistêmico); (2) Adaptação ao Contexto (Consideração de restrições locais); e (3) Arquitetura de Dados (Centralizada vs. Distribuída). A síntese dos dados seguiu uma abordagem de triangulação qualitativa, cruzando evidências de estudos técnicos (algoritmos) com estudos de gestão (políticas públicas) para identificar padrões de convergência e divergência (Rother, 2007).
4. RESULTADOS E DISCUSSÃO
A análise do corpus confirma que a aplicação de IA na gestão de resíduos é caracterizada por uma fragmentação severa. A literatura abunda em “ilhas de excelência”: algoritmos de roteamento (Akdaş et al., 2021; Kaya, 2023) e modelos de classificação visual (Ahmad et al., 2025; Chacón-Albero et al., 2025) que atingem métricas de desempenho impressionantes em ambientes controlados. Contudo, como apontam Kannan et al. (2024), essas soluções operam em silos. Um caminhão otimizado por Ant Colony Optimization (ACO) não recebe informações em tempo real de uma lixeira inteligente que acabou de ser enchida, nem o sistema de previsão de geração (Wu et al., 2020) ajusta suas estimativas baseando-se nos dados de triagem da usina de reciclagem. Em países em desenvolvimento, essa fragmentação é exacerbada pela falta de dados básicos: modelos preditivos sofisticados (Liu X. et al., 2025) falham por serem alimentados com dados históricos inconsistentes ou inexistentes (Silva et al., 2023).
A revisão identifica que o principal obstáculo para a integração não é tecnológico, mas estrutural. Batista et al. (2021) e Zhang Z. et al. (2024) documentam exaustivamente que, no Sul Global, a barreira primária é a “maturidade de dados”. Viana et al. (2023) demonstram que as bases de dados nacionais são fragmentadas e não padronizadas, impossibilitando a interoperabilidade necessária para sistemas de IA. Ademais, a infraestrutura de conectividade é um gargalo crítico. A dependência de soluções de IoT baseadas em nuvem (Cloud Computing) torna os sistemas vulneráveis a falhas de rede. Nesse contexto, Ijemaru et al. (2022) argumentam que a transição para a Internet of Vehicles (IoV) e Fog Computing é essencial para superar as limitações de cobertura e latência em grandes metrópoles desiguais.
Para reconciliar a complexidade da IA com as restrições locais, a literatura emergente propõe arquiteturas adaptativas. Liu J. et al. (2024) e Alourani et al. (2025) descrevem sistemas de planejamento e decisão que consideram múltiplos períodos e fontes de dados heterogêneas, permitindo flexibilidade operacional. Além disso, há um reconhecimento crescente da necessidade de integrar o fator humano. Calabrò & Satira (2020) e Pitakaso et al. (2024) sugerem que sistemas resilientes devem incorporar dados do setor informal e logística humanitária, transformando a “variável de ruído” (o catador) em um agente de dados dentro do ecossistema.
A triangulação das evidências aponta para uma mudança de paradigma. O modelo de “Smart City” importado do Norte Global, dependente de infraestrutura pesada, está sendo substituído por modelos de “Smart Waste” moderada e descentralizado. Onde antes se buscava a otimização centralizada perfeita, agora busca-se a autonomia distribuída e robusta. O Quadro do Apêndice B sintetiza essa transição: saem os modelos estáticos e entram os ecossistemas dinâmicos onde a visão computacional (Nedjar et al., 2025) conversa diretamente com a logística (Hashemi-Amiri et al., 2023), mediada por protocolos de dados abertos.
5. CONCLUSÃO
Esta revisão demonstra que a literatura científica reconcilia a complexidade da IA com as restrições de países em desenvolvimento através de arquiteturas de adaptação. Em vez de replicar modelos monolíticos de cidades ricas, a tendência emergente foca em: (1) Edge Computing (IA na borda) para reduzir a dependência de infraestrutura de rede robusta; (2) Internet de Veículos (IoV) para criar redes de dados móveis e resilientes; e (3) Integração de Dados Heterogêneos, onde dados de sensores de baixo custo são fundidos com dados sociais e operacionais para gerar inteligência acionável, superando a escassez de dados históricos estruturados.
Este estudo limitou-se a documentos acadêmicos, podendo não capturar inovações práticas desenvolvidas por startups ou governos locais que não publicam em revistas científicas (viés de publicação). Além disso, a natureza qualitativa da revisão narrativa impede a meta-análise estatística da eficácia das soluções propostas.
Como agenda para pesquisas futuras, sugere-se um enfoque em três vertentes: a criação de ontologias de dados padronizadas para resíduos no contexto do Sul Global; a realização de estudos longitudinais acerca da implantação de Edge AI em frotas de coleta de municípios de baixa renda; e o desenvolvimento de modelos de sistemas híbridos que integrem e formalizem digitalmente o papel do setor informal no fluxo de dados.
Por fim, ressalta-se que a compra de tecnologia “caixa-preta” é insuficiente. O investimento deve priorizar a governança de dados e a construção de ecossistemas abertos e interoperáveis. A autonomia na gestão de resíduos não virá de um supercomputador central, mas de uma coletânea de dispositivos inteligentes, veículos e cidadãos conectados em uma rede colaborativa e resiliente.
REFERÊNCIAS
Ahmad, G., Aleem, F. M., Alyas, T., et al. (2025). Intelligent waste sorting for urban sustainability using deep learning. Scientific Reports.
Akdaş, H. Ş., Demir, Ö., Doğan, B., et al. (2021). Vehicle Route Optimization for Solid Waste Management: A Case Study of Maltepe, Istanbul. IEEE Conference.
Alourani, A., Ashraf, M. U., & Aloraini, M. (2025). Smart waste management and classification system using advanced IoT and AI technologies. PeerJ Computer Science.
Batista, M., Caiado, R. G. G., Quelhas, O. L. G., et al. (2021). A framework for sustainable and integrated municipal solid waste management: Barriers and critical factors to developing countries. Journal of Cleaner Production.
Calabrò, P. S., & Satira, A. (2020). Recent advancements toward resilient and sustainable municipal solid waste collection systems. Current Opinion in Green and Sustainable Chemistry.
Chacón-Albero, O., Campos-Mocholí, M., Marco-Detchart, C., et al. (2025). AI for Sustainable Recycling: Efficient Model Optimization for Waste Classification Systems. Sensors.
Chen, J., Huang, S., BalaMurugan, S., & Tamizharasid, G.S. (2021). Artificial intelligence based e-waste management for environmental planning. Environmental Impact Assessment Review.
Dawar, I., Srivastava, A., Singal, M., et al. (2025). A systematic literature review on municipal solid waste management using machine learning and deep learning. Artificial Intelligence Review.
Ghanbari, F., Kamalan, H., & Sarraf, A. (2023). Predicting solid waste generation based on the ensemble artificial intelligence models under uncertainty analysis. Journal of Material Cycles and Waste Management.
Hashemi-Amiri, O., Ji, R., & Tian, K. (2023). An Integrated Location-Scheduling-Routing Framework for a Smart Municipal Solid Waste System. Sustainability.
Ijemaru, G. K., Ang, L. M., & Seng, K. P. (2022). Transformation from IoT to IoV for waste management in smart cities. Journal of Network and Computer Applications.
Ishaque, N. B. M., & Florence, S. M. (2025). An Intelligent Deep Learning based Classification with Vehicle Routing Technique for municipal solid waste management. Journal of Hazardous Materials Advances.
Kannan, D., Khademolqorani, S., Janatyan, N., & Alavi, S. (2024). Smart waste management 4.0: The transition from a systematic review to an integrated framework. Waste Management.
Kaya, S. (2023). A hybrid firefly and particle swarm optimization algorithm with local search for the problem of municipal solid waste collection: a real-life example. Neural Computing and Applications.
Kaza, S., Yao, L., Bhada-Tata, P., & Van Woerden, F. (2018). What a Waste 2.0: A Global Snapshot of Solid Waste Management to 2050. World Bank Group.
Liu, J., Kua, H. W., Wang, C. H., et al. (2024). Designing a sustainable municipal solid waste management system over multiple periods using extended exergy accounting method. Energy & Environment.
Liu, X., Zhi, W., & Akhundzada, A. (2025). Enhancing performance prediction of municipal solid waste generation: a strategic management. Frontiers in Environmental Science.
Nedjar, I., M’hamedi, M., & Bekkaoui, M. (2025). Real-Time Solid Waste Sorting Machine Based on Deep Learning. Original Scientific Paper.
Nesmachnow, S., Rossit, D., & Moreno-Bernal, P. (2025). A Literature Review of Recent Advances on Innovative Computational Tools for Waste Management in Smart Cities. Urban Science.
Nnaji, C. C., & Ogarekpe, N. M. (2024). Process analysis and optimization of solid waste haulage in Enugu Metropolis. Journal of Material Cycles and Waste Management.
Pitakaso, R., Srichok, T., Khonjun, S., et al. (2024). Optimization-driven artificial intelligence-enhanced municipal waste classification system for disaster waste management. Engineering Applications of Artificial Intelligence.
Rother, E. T. (2007). Revisão sistemática X revisão narrativa. Acta Paulista de Enfermagem.
Santos Neto, A. B. P., Simões, C. L., & Simoes, R. (2024). Optimization of municipal solid waste collection system: systematic review with bibliometric literature analysis. Journal of Material Cycles and Waste Management.
Silva, A. D., Hypólito, E. B., Oliveira, F. L. P., et al. (2023). Big data and management of municipal solid waste. Revista Gestão e Secretariado.
Singh, J., El-Sappagh, S., Ali, F., et al. (2025). Smart waste management: a systematic review and scientometric analysis of artificial intelligence applications. Environment, Development and Sustainability.
Sivakumar, M. S., Gurumekala, T., Rahul, H., et al. (2022). Design and development of smart Internet of Things–based solid waste management system using computer vision. Environmental Science and Pollution Research.
Viana, A. J., Mannarino, C., & Ritter, E. (2023). Evaluation of indicators for the management of urban solid waste generated by national databases. Engenharia Sanitaria e Ambiental.
Vyas, S., Prajapati, P., Shah, A. V., & Varjani, S. (2022). Municipal solid waste management: Dynamics, risk assessment, ecological influence, advancements, constraints and perspectives. Science of the Total Environment.
Wu, F., Niu, D., Dai, S., & Wu, B. (2020). New insights into regional differences of the predictions of municipal solid waste generation rates using artificial neural networks. Waste Management.
Zhang, S., Zhang, J., Zhao, Z., & Xin, C. (2022). Robust Optimization of Municipal Solid Waste Collection and Transportation with Uncertain Waste Output: A Case Study. Journal of Systems Science and Systems Engineering.
Zhang, Z., Chen, Z., Zhang, J., et al. (2024). Municipal solid waste management challenges in developing regions: A comprehensive review and future perspectives for Asia and Africa. Science of the Total Environment.
APÊNDICES
Apêndice A: Definição Operacional da Matriz Analítica
- Dimensão 1 (Integração): Nível de comunicação entre subsistemas (0=Nenhum, 1=Isolado, 2=Conectado, 3=Autônomo).
- Dimensão 2 (Contexto): Grau de adaptação a restrições de infraestrutura (Baixo, Médio, Alto).
- Dimensão 3 (Arquitetura): Tipo de processamento de dados (Centralizado/Cloud, Distribuído/Edge, Híbrido).
Apêndice B: Matriz Conceitual Analítica
| ID | Autor(es) | Dimensão 1: Integração | Dimensão 2: Contexto | Dimensão 3: Arquitetura | Evidência-Chave Extraída | Contribuição para o Eixo |
| 01 | Kannan et al. (2024) | Nível 3 (Autônomo) | Médio | Híbrida (Cloud-Edge) | Propõe o framework SWM 4.0 integrando ciberfísico e humano. | Define o “estado da arte” teórico e a meta de autonomia. |
| 02 | Batista et al. (2021) | Nível 0 (Diagnóstico) | Alto (Países em Desenv.) | N/A | Identifica infraestrutura e governança como barreiras críticas. | Fundamenta o problema da falta de maturidade institucional. |
| 03 | Ijemaru et al. (2022) | Nível 2 (Conectado) | Alto | Distribuída (IoV/Fog) | A IoV supera as falhas de cobertura e energia da IoT estática. | Solução de infraestrutura para cidades com rede precária. |
| 04 | Zhang (Z.) et al. (2024) | Nível 0 (Diagnóstico) | Alto (Ásia/África) | N/A | Revisão de desafios operacionais e falta de dados na região. | Contextualiza a necessidade de adaptação tecnológica. |
| 05 | Ishaque & Florence (2025) | Nível 2 (Funcional) | Baixo | Híbrida | Integração direta: Output da Visão (YOLO) -> Input da Rota. | Prova de interoperabilidade entre domínios (Visão + Logística). |
| 06 | Hashemi-Amiri et al. (2023) | Nível 2 (Multitarefa) | Baixo | Centralizada | Modelo matemático único para localização, agendamento e rota. | Rompe silos de planejamento (Estratégico vs Operacional). |
| 07 | Alourani et al. (2025) | Nível 2 (Conectado) | Médio | Híbrida | Sistema IoT alimenta App e Nuvem para gestão remota. | Exemplo de conectividade básica para monitoramento. |
| 08 | Pitakaso et al. (2024) | Nível 2 (Emergencial) | Alto (Desastres) | Híbrida | Integra classificação de risco com logística de evacuação. | Demonstra valor da integração para resiliência/segurança. |
| 09 | Viana et al. (2023) | Nível 0 (Diagnóstico) | Alto (Brasil) | N/A | Aponta falhas graves e falta de padrão em bases nacionais (SNIS). | Evidência da barreira de “Governança de Dados”. |
| 10 | Silva et al. (2023) | Nível 0 (Diagnóstico) | Alto (Brasil) | N/A | “Apagão” de Big Data real; gestão baseada em estimativa populacional. | Justifica a ineficácia de modelos preditivos sem dados reais. |
| 11 | Kaya (2023) | Nível 1 (Isolado) | Baixo | Centralizada | Algoritmo híbrido melhora rotas em 31% sem dados externos. | Exemplo de otimização isolada (silo logístico). |
| 12 | Akdaş et al. (2021) | Nível 1 (Isolado) | Médio (Istambul) | Centralizada | Aplicação de ACO para reduzir distância em cenário real. | Reforça o foco tradicional em eficiência de combustível. |
| 13 | Ahmad et al. (2025) | Nível 1 (Isolado) | Baixo | Centralizada | Acurácia de 98% em classificação visual (dataset estático). | Exemplo de otimização isolada (silo de tratamento). |
| 14 | Chacón-Albero et al. (2025) | Nível 1 (Borda) | Alto | Distribuída (Edge) | Otimização de modelos DL para rodar em hardware limitado. | Solução técnica para viabilidade em locais sem nuvem robusta. |
| 15 | Nedjar et al. (2025) | Nível 1 (Borda) | Alto | Distribuída (Edge) | Protótipo de triagem em Raspberry Pi (baixo custo). | Democratização da tecnologia para contextos de baixo orçamento. |
| 16 | Liu (J.) et al. (2024) | Nível 1 (Planejamento) | Baixo | Centralizada | Planejamento multiperíodo baseado em exergia. | Ferramenta de planejamento a longo prazo, desconectada do real-time. |
| 17 | Sivakumar et al. (2022) | Nível 2 (Conectado) | Médio | Conectada | Visão computacional como sensor de nível para gatilho de coleta. | Fusão de dados não-estruturados (imagem) para decisão estruturada. |
| 18 | Chen et al. (2021) | Nível 1 (Planejamento) | Médio | Centralizada | IA para gestão de e-waste e análise de poluentes. | Aplicação de IA para suporte à política pública. |
| 19 | Dawar et al. (2025) | N/A (Revisão) | N/A | N/A | Mapeamento de 69 estudos de ML/DL. | Confirma a predominância de estudos técnicos fragmentados. |
| 20 | Nesmachnow et al. (2025) | N/A (Revisão) | Médio | N/A | Revisão de ferramentas computacionais para Smart Cities. | Inventário de ferramentas disponíveis (estado da arte). |
| 21 | Singh et al. (2025) | N/A (Revisão) | N/A | N/A | Análise cientométrica do crescimento da IA no setor. | Evidência da tendência de crescimento e interesse acadêmico. |
| 22 | Vyas et al. (2022) | Nível 0 (Diagnóstico) | Alto | N/A | Análise de riscos ecológicos e sanitários. | Justificativa ambiental para a necessidade de eficiência. |
| 23 | Wu et al. (2020) | Nível 1 (Preditivo) | Alto (Regional) | Centralizada | Diferenças regionais afetam drasticamente a precisão de ANN. | Necessidade de modelos adaptáveis ao contexto local. |
| 24 | Ghanbari et al. (2023) | Nível 1 (Preditivo) | Baixo | Centralizada | Tratamento matemático da incerteza na geração de lixo. | Refinamento técnico de modelos isolados de previsão. |
| 25 | Liu (X.) et al. (2025) | Nível 1 (Estratégico) | Baixo | Centralizada | Modelo GraphFormer para previsão de longo prazo. | Foco em precisão estratégica, não operacional. |
| 26 | Nnaji & Ogarekpe (2024) | Nível 0 (Operacional) | Alto (África) | N/A | Análise de processos manuais e ineficiências de transporte. | Retrato da realidade “pré-digital” em muitas cidades. |
| 27 | Santos Neto et al. (2024) | N/A (Revisão) | N/A | N/A | Revisão mostra foco excessivo em redução de distância (Km). | Crítica à visão reducionista da otimização tradicional. |
| 28 | Zhang (S.) et al. (2022) | Nível 1 (Isolado) | Baixo | Centralizada | Otimização Robusta para lidar com incerteza de dados. | Tentativa matemática de mitigar a falta de sensores reais. |
| 29 | Kaza et al. (2018) | Nível 0 (Base de Dados) | Alto (Global) | N/A | Disparidade global na geração e tratamento de resíduos. | Base quantitativa para a discussão de desigualdade. |
| 30 | Calabrò & Satira (2020) | Nível 0 (Social) | Alto | N/A | Papel do setor informal na resiliência do sistema. | Inclusão do fator humano como requisito de robustez. |
Apêndice C: Quadro síntese do Corpus Final
| ID | Título Abreviado | Autor(es) e Ano | Objetivo do Estudo | Método Utilizado | Principais Limitações | Achados Relevantes para esta Revisão |
| 1 | Smart waste management 4.0 | Kannan et al. (2024) | Propor o framework SWM 4.0 integrando tecnologias da Indústria 4.0 na gestão de resíduos. | Revisão sistemática e proposta de framework conceitual. | Caráter teórico; falta de validação empírica em larga escala. | A integração de IoT, Big Data e Governança é pré-requisito para sistemas autônomos; define a arquitetura de referência. |
| 2 | Framework for sustainable MSW | Batista et al. (2021) | Analisar barreiras e fatores críticos para gestão sustentável em países em desenvolvimento. | Revisão sistemática e análise de conteúdo. | Foco amplo em barreiras políticas/sociais, menos em detalhes de IA. | Identifica falta de infraestrutura e dados como barreiras primárias que bloqueiam a aplicação de tecnologias avançadas. |
| 3 | Transformation from IoT to IoV | Ijemaru et al. (2022) | Propor a transição da IoT estática para a Internet de Veículos (IoV) na coleta de dados. | Análise de arquitetura de rede e eficiência energética. | Complexidade de implementação da comunicação veicular. | Veículos como nós móveis resolvem a falta de cobertura de rede fixa em cidades com infraestrutura precária. |
| 4 | MSW challenges in developing regions | Zhang (Z.) et al. (2024) | Revisar desafios de gestão na Ásia e África e propor perspectivas futuras. | Revisão abrangente da literatura. | Generalização de desafios para continentes inteiros. | Contextualiza a necessidade de soluções adaptadas à realidade de baixa renda e alta geração de orgânicos. |
| 5 | Intelligent Deep Learning… | Ishaque & Florence (2025) | Melhorar a precisão da classificação e otimizar rotas simultaneamente. | Sistema IDLCVR-MSW (YOLOv3 + Otimizador Moth Flame). | Dependência de dados de imagem de alta qualidade. | Demonstra a interoperabilidade prática: a classificação visual alimenta diretamente a otimização logística. |
| 6 | Integrated Location-Scheduling… | Hashemi-Amiri et al. (2023) | Otimizar localização, agendamento e roteamento em um modelo único. | Programação Linear Inteira Mista (MILP) tri-objetivo. | Complexidade computacional (NP-hard) para grandes instâncias. | Rompe os silos operacionais ao integrar decisões estratégicas, táticas e operacionais. |
| 7 | Smart waste management… IoT/AI | Alourani et al. (2025) | Desenvolver sistema eficiente usando IoT e ML para classificação e monitoramento. | Sistema híbrido (Sensores Ultrassônicos + App + Nuvem). | Dependência de conectividade constante com a nuvem. | Prova de conceito de sistema conectado que une hardware simples a processamento inteligente. |
| 8 | Optimization-driven AI… | Pitakaso et al. (2024) | Classificar e gerenciar resíduos em cenários de desastre. | Deep Learning (Classificação) + Heurísticas de Otimização. | Foco específico em cenários de emergência/desastre. | A integração rápida entre visão e logística é crítica para resiliência e segurança sanitária. |
| 9 | Evaluation of indicators… | Viana et al. (2023) | Analisar indicadores de gestão em bases de dados nacionais brasileiras. | Pesquisa bibliográfica e documental (SNIS, IBGE). | Dados secundários com defasagem temporal e inconsistências. | A falta de padronização e confiabilidade dos dados nacionais impede o treinamento de modelos de IA robustos. |
| 10 | Big data and management… | Silva et al. (2023) | Analisar o uso de Big Data na gestão de RSU no Brasil. | Estudo exploratório e revisão bibliográfica. | Escassez de casos práticos de Big Data no Brasil. | O planejamento baseado apenas em estimativas populacionais é falho; há um “apagão” de dados reais. |
| 11 | Hybrid firefly and PSO… | Kaya (2023) | Resolver o problema de roteamento de veículos de coleta. | Algoritmo Híbrido (Firefly + Particle Swarm Optimization). | Testado apenas em um distrito específico (Sanliurfa). | Algoritmos de otimização isolados trazem ganhos (31%), mas operam sem dados dinâmicos de geração. |
| 12 | Vehicle Route Optimization… | Akdaş et al. (2021) | Otimizar rotas de coleta em Maltepe, Istambul. | Algoritmo de Colônia de Formigas (ACO). | Foco exclusivo na redução de distância percorrida. | Exemplo típico de “ilha de otimização”: eficiência logística desconectada da geração ou classificação. |
| 13 | Intelligent waste sorting… | Ahmad et al. (2025) | Automatizar a segregação de resíduos em 12 categorias. | CNN (ResNet-based model). | Limitado ao processamento de imagens, sem integração física. | Alta acurácia (98%) em visão computacional, mostrando maturidade do componente de “olhos” do sistema. |
| 14 | AI for Sustainable Recycling | Chacón-Albero et al. (2025) | Otimizar modelos de IA para dispositivos de borda (edge). | MobileNetV3 + Técnicas de Quantização. | Trade-off entre tamanho do modelo e precisão absoluta. | Solução técnica viável para levar inteligência a locais com hardware limitado e sem internet (Edge AI). |
| 15 | Real-Time Solid Waste Sorting | Nedjar et al. (2025) | Criar máquina de triagem autônoma de baixo custo. | CNN em Raspberry Pi (Edge Device). | Protótipo em escala reduzida. | Demonstra que a automação é acessível financeiramente para contextos de desenvolvimento (hardware barato). |
| 16 | Designing a sustainable MSW system | Liu (J.) et al. (2024) | Planejar sistema sustentável considerando múltiplos períodos. | Método de contabilidade de exergia estendida + Otimização. | Complexidade de dados de entrada para o modelo de exergia. | Ferramenta de planejamento estratégico que considera a sustentabilidade a longo prazo, não operação diária. |
| 17 | Design… IoT-based system | Sivakumar et al. (2022) | Monitorar nível de lixo e otimizar coleta. | Visão Computacional + Sensores IoT + Alerta. | Dependência de infraestrutura de câmeras nas lixeiras. | Integração de dados visuais (não estruturados) com sensores para criar gatilhos autônomos de coleta. |
| 18 | AI based e-waste management | Chen et al. (2021) | Gerenciar resíduos eletrônicos e planejar políticas. | Técnicas de IA para análise de poluentes e LCA. | Foco específico em e-waste, metodologia genérica. | Uso de IA para suporte à decisão política e planejamento ambiental, além da operação. |
| 19 | Systematic literature review… | Dawar et al. (2025) | Mapear aplicações de ML e DL na gestão de resíduos. | Revisão Sistemática (PRISMA). | Dependente da qualidade dos estudos primários revisados. | Confirma a predominância de estudos técnicos isolados e a falta de abordagens sistêmicas integradas. |
| 20 | Review of Computational Tools | Nesmachnow et al. (2025) | Revisar ferramentas computacionais para Smart Cities. | Revisão abrangente de literatura. | Foco amplo em ferramentas, menos em barreiras de implementação. | Mapeia o ecossistema de ferramentas disponíveis, destacando a lacuna de interoperabilidade. |
| 21 | Smart waste management… review | Singh et al. (2025) | Analisar cientometria e tendências de IA em resíduos. | Revisão Sistemática e Análise Cientométrica. | Análise de metadados, não de conteúdo técnico profundo. | Mostra o crescimento exponencial da área e a transição de modelos reativos para proativos. |
| 22 | MSW management: Dynamics… | Vyas et al. (2022) | Avaliar dinâmica, riscos e influência ecológica do RSU. | Revisão crítica e avaliação de risco. | Foco ambiental, menor ênfase na arquitetura de TI. | Justifica a necessidade de automação pela mitigação de riscos sanitários e ambientais. |
| 23 | Predictions… regional differences | Wu et al. (2020) | Prever geração de resíduos considerando diferenças regionais. | Redes Neurais Artificiais (ANN). | Dados restritos à China continental. | A variabilidade regional exige modelos de IA adaptáveis e treinados com dados locais, não genéricos. |
| 24 | Predicting solid waste… | Ghanbari et al. (2023) | Melhorar precisão de previsão lidando com incerteza. | Ensemble EEMD-AI models. | Complexidade matemática elevada para gestores municipais. | Avanço técnico na robustez de previsão, tratando a incerteza dos dados como variável do modelo. |
| 25 | Enhancing performance prediction | Liu (X.) et al. (2025) | Aprimorar previsão de geração para gestão estratégica. | GraphFormer + MLP (Deep Learning). | Requer dados históricos detalhados para treinamento. | Foco na precisão estratégica para planejamento de infraestrutura a longo prazo. |
| 26 | Process analysis… Enugu | Nnaji & Ogarekpe (2024) | Otimizar transporte de resíduos em metrópole africana. | Análise de processo e regressão. | Dados coletados manualmente, baixa automação. | Retrato da realidade operacional com infraestrutura precária; base para aplicar soluções de “baixo custo”. |
| 27 | Optimization of collection… | Santos Neto et al. (2024) | Revisar métodos de otimização de coleta. | Revisão Bibliométrica. | Amostra pequena de artigos analisados (12). | Confirma que a maioria dos estudos foca apenas na redução de distância, ignorando sustentabilidade. |
| 28 | Robust Optimization… | Zhang (S.) et al. (2022) | Otimizar rotas sob incerteza de geração de lixo. | Modelo de Otimização Robusta (Bertsimas). | Abordagem matemática teórica, sem dados em tempo real. | Tenta mitigar a falta de dados precisos (incerteza) através da matemática, em vez de sensores. |
| 29 | What a Waste 2.0 | Kaza et al. (2018) | Fornecer panorama global de dados de resíduos. | Análise estatística de dados do Banco Mundial. | Dados agregados nacionais, pouca granularidade local. | Base de dados fundamental que evidencia a disparidade de infraestrutura entre Norte e Sul Global. |
| 30 | Recent advancements… | Calabrò & Satira (2020) | Discutir resiliência e papel do setor informal. | Artigo de opinião/revisão crítica. | Foco conceitual, sem modelagem matemática. | Introduz o “fator humano” (catadores) como essencial para a resiliência de sistemas em desenvolvimento. |
1Tecnólogo em Logística pelo Grupo Ser Educacional. Especializado em Gestão de Operações Supply Chain, com ênfase em otimização de processos e redução de custos pela ILOS – Especialistas em Logística e Supply Chain. – rayneselford@gmail.com
2Bacharel em Administração pela UFRPE. MSc em Administração e Desenvolvimento pela UFRPE – humberto.bxavier@upe.br