Modelagem espaciotemporal híbrida do ciclo de nutrientes em ecossistemas de zonas úmidas usando técnicas avançadas de mapeamento e abordagens de aprendizado de máquina

Por que esses filtros de água ocultos são importantes

As zonas úmidas protegem discretamente nossos rios e a água potável ao absorver fertilizantes em excesso e outros poluentes que escoam de fazendas e cidades. Mas, por serem extensas, alagadiças e de difícil acesso, os cientistas têm dificuldade em acompanhar como esses filtros naturais funcionam ao longo do tempo. Este estudo mostra como uma combinação de amostragem de água em campo, imagens de satélite e aprendizado de máquina pode transformar um pequeno sistema de zonas úmidas em Ohio em um retrato detalhado e dinâmico de sua saúde, estação por estação e ano a ano.

Monitorando nutrientes do espaço e a pé

Os pesquisadores se concentraram no Beavercreek Wetlands Greenway, em Ohio, um mosaico onde bairros urbanos, áreas agrícolas, florestas e pântanos se encontram. Coletaram amostras de água mensais durante quatro anos em três zonas úmidas ao longo de um córrego, medindo dois nutrientes-chave: nitrogênio e fósforo. Em quantidades moderadas, esses nutrientes sustentam a vida vegetal, mas em excesso podem desencadear proliferações de algas e diminuir o oxigênio da água. Para ir além de pontos de amostragem isolados, a equipe combinou essas medições com dados de satélite de alta resolução das missões europeias Sentinel-1 e Sentinel-2, todos processados no Google Earth Engine.

Uma abordagem em duas etapas para ler a paisagem

Em vez de alimentar todos os tipos de dados em um único modelo grande, os autores construíram uma estrutura de aprendizado de máquina em duas etapas baseada em um algoritmo popular chamado Random Forest. Na primeira etapa, o modelo previu os níveis de nutrientes usando traços amplos das zonas úmidas, como forma, tamanho, usos do solo ao redor (como floresta, áreas agrícolas ou áreas urbanizadas) e chuvas e temperaturas recentes. Isso criou um mapa “de referência” que capturou como a paisagem, de modo geral, tende a carregar ou absorver nutrientes. Na segunda etapa, um modelo separado focou apenas no que o primeiro não explicou: os erros espaciais residuais. Ele buscou explicar esses padrões mais finos usando variáveis contínuas derivadas de satélite, como índices de vegetação e medidas de radar da água e da estrutura das plantas.

Estresse sazonal e sinais de recuperação

Ao combinar ambas as etapas, a equipe produziu mapas trimestrais de nitrogênio e fósforo de 2021 a 2024 com resolução suficiente para ver mudanças ao longo do comprimento das zonas úmidas. O nitrogênio apresentou fortes e recorrentes oscilações sazonais, com concentrações mais altas na primavera e no verão (segundo e terceiro trimestres) e valores menores nos meses mais frios. Ao longo dos quatro anos, os níveis de nitrogênio no início do ano aumentaram gradualmente, e os picos de meados do ano em 2022 e 2023 foram especialmente altos, indicando estresse sazonal repetido ligado aos meses mais úmidos e à atividade agrícola na bacia adjacente.

Nutriente diferente, história diferente

O fósforo contou uma história contrastante. Em 2021, as concentrações de fósforo estavam elevadas em grande parte do sistema de zonas úmidas, mas os mapas revelaram um declínio constante na maioria das áreas ao longo de 2022, 2023 e 2024, especialmente nos trimestres de inverno. Um ponto quente persistente permaneceu no trecho médio mais amplo da zona úmida, sobretudo durante períodos de baixa vazão no final do verão, sugerindo liberação interna de fósforo armazenado nos sedimentos. Ao analisar em quais variáveis os modelos mais se apoiaram, os pesquisadores descobriram que o nitrogênio dependia tanto do contexto da paisagem quanto das condições locais no curso d’água captadas por satélite, enquanto o fósforo foi impulsionado principalmente pela localização de áreas urbanizadas e agrícolas ao redor das zonas úmidas.

O que isso significa para proteger as zonas úmidas

Para um público não especialista, a mensagem principal é que nem todos os problemas de nutrientes são iguais, e os satélites podem ajudar a diferenciá-los. A nova estrutura acompanhou com precisão nitrogênio e fósforo no espaço e no tempo, mostrando que o nitrogênio permanece um problema difuso e sazonalmente recorrente ligado a práticas agrícolas e à vegetação das zonas úmidas, enquanto o fósforo melhorou de forma perceptível à medida que as cargas oriundas de áreas urbanizadas diminuíram, exceto por um ponto quente persistente. Essa abordagem em duas etapas baseada em mapas oferece aos gestores uma ferramenta diagnóstica prática: pode rapidamente destacar pontos problemáticos, indicar se as soluções devem focar em mudança no uso do solo, controle de escoamento urbano ou processos internos na zona úmida, e ser adaptada a outras questões de qualidade da água à medida que o clima, o uso do solo e os esforços de conservação continuam a remodelar nossas zonas úmidas.

Citação: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

Palavras-chave: zonas úmidas, poluição por nutrientes, sensoriamento remoto, aprendizado de máquina, qualidade da água