Modelagem por aprendizado de máquina de um índice ambiental não linear com análise de sensibilidade para avaliação de águas subterrâneas

Por que a água sob nossos pés importa

Em muitas regiões áridas do mundo, incluindo o sul do Irã, as pessoas dependem da água subterrânea como principal fonte de água potável e para irrigação. Mas esse recurso escondido pode, aos poucos, tornar-se salino demais ou poluído sem sinal óbvio na superfície. Este estudo analisa o aquífero de Marvdasht, que abastece uma cidade e centenas de vilarejos, e mostra como ferramentas modernas de dados podem rastrear onde a água ainda é segura para consumo, onde está se deteriorando e quais componentes da água têm maior influência.

Transformando muitas medições em uma única pontuação clara

A água subterrânea contém uma mistura de minerais e sais dissolvidos, como sódio, cálcio, magnésio, cloreto e sulfato. Cada um desses componentes afeta a saúde e a corrosão de tubulações de maneiras distintas, e ler longas tabelas de números de dezenas de poços rapidamente se torna opressor. Para simplificar, os pesquisadores usaram um Índice de Qualidade da Água Subterrânea, ou GWQI. Esse índice combina 11 propriedades rotineiramente medidas da água em uma única pontuação, usando as diretrizes da Organização Mundial da Saúde como referência. Pontuações baixas indicam água excelente, enquanto pontuações altas sinalizam água salobra ou de outra forma imprópria para consumo.

O que os poços revelam sobre o aquífero

Com dados de 70 poços coletados ao longo de uma década, a equipe constatou que grande parte do aquífero de Marvdasht já está sob pressão. Apenas cerca de um quarto das amostras apresentou baixos níveis de sólidos totais dissolvidos, uma medida do teor geral de sal que é considerada adequada para consumo. Todas as amostras enquadraram-se nas categorias de água “dura” ou “muito dura”, indicando altos níveis de cálcio e magnésio. A parte norte do aquífero, recarregada por uma barragem e atravessando calcário, ainda mostra água em sua maioria boa a excelente. À medida que a água se move para o sul, porém, ela dissolve mais sais de rochas ricas em gipsita e se mistura com retornos agrícolas e urbanos, tornando-se significativamente mais salina e menos adequada para uso doméstico.

Identificando os componentes mais importantes na água

Nem todo químico na água subterrânea tem o mesmo impacto sobre sua segurança. O estudo usou uma análise de sensibilidade para responder a uma pergunta simples: se um componente for removido do índice, quanto a pontuação geral muda? A resposta foi clara. Sólidos totais dissolvidos e condutividade elétrica, ambos medidas de salinidade, provocaram as maiores variações no índice de qualidade da água subterrânea. Cloreto, sódio e dureza da água também foram grandes determinantes. Em contraste, propriedades como potássio e bicarbonato tiveram papel apenas secundário. Isso significa que, neste aquífero, o aumento da salinidade e dos íons relacionados são os principais sinais de alerta de que a água subterrânea está se tornando imprópria para consumo.

Ensinando computadores a prever a qualidade da água

Calcular um índice para cada nova amostra e atualizar mapas detalhados manualmente pode ser lento e caro. Para acelerar o processo, os pesquisadores treinaram três tipos de modelos computacionais — redes neurais artificiais, máquinas de vetores de suporte e florestas aleatórias — usando os dados de química da água existentes. Uma vez treinados, esses modelos podem estimar o índice de qualidade da água subterrânea diretamente a partir dos íons e sais medidos, mesmo em locais ou momentos onde o índice ainda não foi calculado. Entre os três, o modelo de rede neural se destacou: reproduziu o índice com precisão extremamente alta e baixo erro, capturando a forma complexa e não linear com que diferentes químicos se combinam para afetar a qualidade geral.

O que isso significa para as pessoas e para as políticas públicas

Para moradores e formuladores de políticas, a mensagem é dupla. Por um lado, grandes áreas nas partes sul e sudeste do aquífero de Marvdasht já apresentam água subterrânea salobra e muito dura para consumo seguro, e a tendência está intimamente ligada tanto à geologia local quanto às atividades humanas. Por outro lado, o estudo demonstra que ao combinar um índice simples e fácil de entender com aprendizado de máquina e mapas digitais, é possível monitorar essas mudanças de forma eficiente e identificar zonas de alto risco. Em termos práticos, essa abordagem oferece um sistema de alerta precoce custo-efetivo para gerenciamento de poços, limitação da poluição e planejamento de suprimentos alternativos em regiões áridas onde cada gota de água limpa conta.

Citação: Azma, A., Liu, Y. & Alemu, E.T. Machine learning modelling of a nonlinear environmental index with sensitivity analysis for groundwater assessment. Sci Rep 16, 14595 (2026). https://doi.org/10.1038/s41598-026-44906-6

Palavras-chave: qualidade da água subterrânea, salinidade da água, aprendizado de máquina, recursos hídricos, monitoramento de aquíferos