De acordo com dados do ano de 2019, 23% das emissões de dióxido de carbono na atmosfera são causadas pelo setor de transportes. A concentração alta de CO_2 na atmosfera impacta de múltiplas maneiras na saúde das pessoas, sendo possível observar efeitos respiratórios e cardiovasculares, além de estar associada a diabetes tipo 2 e demência. Diante desse cenário, este trabalho aborda o desenvolvimento de um agente de inteligência artificial que tem como objetivo gerenciar o tráfego de veículos com base em emissões de gás carbônico (CO_2) em uma cidade inteligente. O agente foi treinado usando o Deep Q-Network (DQN), algoritmo de aprendizado por reforço que combina o método clássico Q-Learning com redes neurais profundas. Por meio da interação com o ambiente de simulação e da análise das recompensas recebidas, o agente aprendeu uma política que reduziu o nível total de CO_2 em Zonas de Baixa Emissão (ZBE) em até 50% sem impactar no trânsito de maneira significativa.