Previsão de alterações no nível do lençol freático usando técnicas de aprendizado de máquina na área de Tazerbo, Bacia de Al Kufra, sudeste da Líbia

Por que o futuro da água subterrânea importa aqui

Em algumas das regiões mais secas do planeta, a água subterrânea é o único recurso que mantém fazendas, cidades e indústrias funcionando. No sudeste da Líbia, grandes campos de poços exploram um aquífero profundo do deserto para enviar água ao norte, até as cidades costeiras. Este artigo explica como cientistas usaram ferramentas computacionais modernas para olhar adiante e avaliar como essas reservas ocultas podem mudar nas próximas duas décadas sob diferentes planos de bombeamento, ajudando os tomadores de decisão a evitar escassez severa e danos ao solo.

O aquífero do deserto por trás da linha de vida hídrica da Líbia

O estudo foca no campo de poços de Tazerbo, na Bacia de Al Kufra, uma das fontes principais para o Projeto do Rio Artificial da Líbia, que transporta água fóssil do Saara para cidades distantes. A região recebe pouquíssima chuva e enfrenta calor intenso, de modo que o profundo Aquífero Nubiano de Arenito funciona como uma conta bancária de água antiga. Desde que o bombeamento em larga escala começou em 2004, mais de cem poços de produção chegaram a retirar até cerca de um milhão de metros cúbicos de água por dia em determinados períodos. Esse uso intenso já reduziu os níveis de água subterrânea em até 16 metros em partes do campo e contribuiu para subsidência do solo, levantando dúvidas sobre quanto tempo essa linha de vida hídrica pode durar.

Transformando registros de poços em um problema de aprendizado

Para explorar o futuro do aquífero, os pesquisadores reuniram vinte anos de medições anuais de nível d’água de quatorze poços de monitoramento ao redor de Tazerbo, juntamente com registros da quantidade de água bombeada por dia. Também compilaram informações básicas sobre os poços e o aquífero, como espessura das rochas e a facilidade com que a água se move por elas. Em vez de tentar modelar cada detalhe físico do fluxo subterrâneo, trataram o problema como uma série temporal: como o nível d’água em um poço responde ao longo do tempo a níveis passados e a variações no bombeamento? Essa abordagem é bem adequada a métodos de aprendizado de máquina que podem descobrir padrões nos dados sem precisar especificar todos os processos físicos de antemão.

Como a máquina aprende a olhar adiante

A equipe testou várias ferramentas estatísticas e de aprendizado de máquina avançadas, incluindo tipos de regressão por processo gaussiano e uma rede neural recorrente chamada Long Short-Term Memory. Avaliaram o desempenho de cada método em reproduzir níveis d’água conhecidos usando métricas padrão, como a concordância entre valores previstos e observados e a magnitude dos erros típicos. A vencedora clara foi um tipo especial de rede neural para séries temporais conhecido como modelo Autorregressivo Não Linear com Exógenas, ou NARX, que incorpora tanto níveis d’água passados quanto volumes de bombeamento. Com uma estrutura relativamente simples, essa rede conseguiu reproduzir o histórico dos quatorze poços com altíssima precisão. Uma análise de sensibilidade detalhada mostrou que o modelo se baseou em combinações diferentes de entradas em poços distintos, sugerindo que estava capturando padrões causais significativos em vez de meramente memorizar os dados.

Dois futuros diferentes para o mesmo aquífero

Uma vez treinado e validado, o modelo NARX foi usado para projetar até 2030 e 2040 sob dois planos de bombeamento. No primeiro plano, mantém‑se a atual taxa reduzida de retirada, de cerca de 255.000 metros cúbicos por dia. Nesse cenário, o modelo projeta um afundamento adicional relativamente modesto, concentrado principalmente na parte norte do campo: em torno de 2 metros de declínio adicional até 2030 em comparação com 2024, e aproximadamente mais 1,6 metros até 2040. Alguns poços ao sul podem até apresentar uma leve recuperação, provavelmente refletindo a estrutura local do aquífero. Em contraste marcante, o segundo plano assume que o bombeamento é aumentado para 400.000 metros cúbicos por dia.

O que os resultados significam para os gestores de água

Com o plano de bombeamento mais alto, o modelo prevê quedas muito grandes nos níveis de água subterrânea, ultrapassando 50 metros nas partes sudeste e sudoeste do campo de poços já em 2030 e permanecendo fortemente deprimidos em 2040. Experiências passadas em Tazerbo já mostram que a extração agressiva pode desencadear declínios súbitos, que são parcialmente reversíveis quando a retirada é reduzida. As novas previsões confirmam esse quadro e ressaltam o quão sensível o aquífero é ao uso excessivo de longo prazo. Para um leitor leigo, a mensagem é clara: manter as retiradas mais próximas dos níveis reduzidos atuais ajuda a estender essa reserva finita por mais anos, enquanto aumentar novamente o bombeamento arrisca declínios acentuados, subsidência do solo e maior pressão sobre as comunidades que dependem dessa água oculta. O estudo mostra que ferramentas de aprendizado de máquina bem ajustadas podem se tornar guias práticos para planejar o uso sustentável da água em algumas das regiões mais escassas do mundo.

Citação: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Palavras-chave: previsão de água subterrânea, aprendizado de máquina, aquífero da Líbia, gestão da água, rede neural NARX