Uma abordagem de aprendizado de máquina para extensão da anomalia do armazenamento total de água até 1980 (ML-TWiX)

Por que mudanças de água em longo prazo importam

Quanto de água é armazenado em terra — no solo, na neve, em rios, lagos e aquíferos — varia de mês a mês e de década a década. Essas variações afetam secas, inundações, produção de alimentos e até o nível global do mar. Satélites nos deram uma visão poderosa e planetária dessas mudanças apenas desde o início dos anos 2000, o que é tempo insuficiente para compreender plenamente padrões climáticos de longo prazo. Este estudo apresenta o ML-TWiX, uma reconstrução baseada em aprendizado de máquina que estende nosso registro global de mudanças no armazenamento de água terrestre até 1980, ajudando cientistas e tomadores de decisão a enxergar tendências de múltiplas décadas no ciclo da água da Terra.

Vendo água oculta a partir do espaço

Os satélites das missões GRACE e GRACE Follow-On não veem a água diretamente. Em vez disso, medem pequenas mudanças na gravidade da Terra causadas pela movimentação da água ao redor do planeta. A partir dessas variações gravitacionais, os cientistas inferem “anomalias do armazenamento total de água” — quanto a quantidade de água armazenada em terra difere da sua média de longo prazo. Esses dados transformaram nosso entendimento do esgotamento de aquíferos, de secas de longa duração, de enchentes em bacias hidrográficas e das contribuições da água terrestre para a elevação do nível do mar. Mas observações no estilo GRACE cobrem apenas cerca de duas décadas, deixando um registro curto demais para detectar de forma robusta tendências climáticas lentas ou para comparar os extremos atuais com os do passado recente.

Ensinando computadores a aprender com modelos

Para ir além do que os satélites sozinhos podem fornecer, os autores recorrem ao aprendizado de máquina. Muitos modelos computacionais já simulam como a água se move e é armazenada em terra, mas cada modelo tem pontos cegos — alguns tratam bem a neve, mas deixam passar o aquífero; outros incluem o uso humano da água, mas simplificam os rios, e assim por diante. O ML-TWiX usa as saídas de treze desses modelos globais, cobrindo 1980–2012, e emprega as observações do GRACE durante 2002–2012 como alvo de treinamento. Três algoritmos de aprendizado diferentes — Random Forest, XGBoost e Regressão por Processo Gaussiano — são treinados, célula por célula da grade, para aprender como combinar os modelos de modo que sua saída conjunta corresponda ao que o GRACE realmente observou quando estava em operação.

Construindo uma imagem mais robusta ao combinar muitas visões

Em vez de confiar em uma única técnica, o ML-TWiX utiliza uma abordagem em conjunto (ensemble). Cada um dos três métodos de aprendizado de máquina é treinado múltiplas vezes com configurações ligeiramente diferentes, e então todas as suas previsões são promediadas. Esse agrupamento reduz o impacto das idiossincrasias de qualquer modelo individual e torna o produto final mais robusto em climas que vão dos trópicos úmidos a desertos secos e latitudes elevadas dominadas pela neve. Importante, a dispersão entre os membros do ensemble também é registrada, fornecendo um mapa de incerteza que indica onde a reconstrução é mais ou menos confiável. A incerteza tende a ser maior em regiões com ciclos hídricos muito dinâmicos, como a Amazônia e áreas de monção, e menor em regiões mais áridas onde as variações de armazenamento são menores.

Colocando o novo registro à prova

Os autores não confiam simplesmente na saída do aprendizado de máquina; eles a verificam contra várias linhas independentes de evidência. Primeiro, durante os anos em que o GRACE estava operando, o armazenamento reconstruído acompanha de perto o registro satelital em centenas de grandes bacias hidrográficas, com correlações muito altas e erros baixos. Em segundo lugar, comparam o ML-TWiX com estimativas derivadas de satélites de medição por laser (satellite laser ranging), uma técnica mais antiga que também detecta mudanças gravitacionais, e constatam que o novo conjunto de dados corresponde a esse sinal quase tão bem quanto o próprio GRACE. Terceiro, testam se as mudanças mês a mês no armazenamento reconstruído são consistentes com a equação básica de balanço hídrico que relaciona chuva, evaporação e escoamento fluvial. Finalmente, usam um orçamento global do nível do mar: quando a terra armazena mais água, os oceanos devem cair temporariamente, e vice-versa. A média global do ML-TWiX concorda bem com estimativas baseadas no nível do mar, particularmente durante a era dos satélites.

O que isso significa para entender o futuro hídrico da Terra

Para não especialistas, o ML-TWiX pode ser visto como um “tradutor” inteligente e orientado por dados entre muitas simulações computacionais imperfeitas e um registro satelital curto, mas altamente confiável. Ao aprender como essas simulações se comportaram durante os anos do GRACE, ele pode reproduzir relações semelhantes até 1980, preenchendo mais de duas décadas extras de mapas mensais globais de mudança no armazenamento de água terrestre. Embora a reconstrução seja menos certa antes da disponibilidade dos satélites e não consiga capturar tudo — especialmente onde o clima ou o uso humano da água possam ter mudado de formas novas — ela ainda oferece uma das imagens mais consistentes e rigorosamente testadas até agora sobre como a água terrestre da Terra se alterou nas últimas décadas. Essa visão mais longa deve ajudar pesquisadores e planejadores a situar melhor as secas, inundações e tensões hídricas atuais em um contexto histórico e climático mais amplo.

Citação: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Palavras-chave: armazenamento de água terrestre, satélites GRACE, hidrologia por aprendizado de máquina, ciclo global da água, mudança do nível do mar