Abordagens geoquímicas e de aprendizado de máquina para prever flúor em água subterrânea no Distrito de Karaga, Norte de Gana

Por que isso importa para a água potável do dia a dia

Em muitas comunidades rurais, o copo mais claro de água de poço pode transportar silenciosamente flúor suficiente para danificar dentes, enfraquecer ossos e prejudicar a saúde a longo prazo. Este estudo foca o Distrito de Karaga, no norte de Gana, onde crianças frequentemente dependem da água subterrânea para todas as bebidas. Os pesquisadores buscaram responder duas perguntas urgentes: onde o flúor na água subterrânea é mais perigoso e se podemos prever esses pontos críticos usando medições simples de campo e ferramentas modernas de dados?

Química oculta sob uma paisagem seca

Karaga assenta sobre camadas espessas de arenitos e siltitos antigos que funcionam como enormes esponjas, armazenando água da chuva no subsolo. Essas rochas também contêm minerais que carregam flúor. À medida que a água percola lentamente, dissolve partes da rocha, incorporando flúor ao longo do caminho. A equipe coletou 34 amostras de água subterrânea de poços comunitários e as combinou com 152 amostras antigas de distritos vizinhos. Eles descobriram que os níveis de flúor variaram de muito baixos até mais de quatro vezes o limite seguro da Organização Mundial da Saúde, com cerca de uma em cada seis amostras excedendo essa diretriz. A maior parte da água pertencia a um tipo “mole, salgado”, rico em sódio e bicarbonato, mas os piores teores de flúor surgiram onde a água era ao mesmo tempo salgada e rica em cloreto, indicando concentração adicional por evaporação e dissolução de minerais salinos.

Como a mistura rocha–água aumenta o flúor

Usando análises químicas detalhadas e modelos computacionais, os pesquisadores traçaram como diferentes componentes da água atuam juntos para liberar flúor das rochas. pH alto (água mais alcalina), baixo cálcio e sólidos totais dissolvidos elevados favorecem a manutenção do flúor em solução em vez de sua fixação em minerais. Todas as amostras estavam quimicamente “propensas” a dissolver o mineral fluorita, confirmando que o ambiente subterrâneo está preparado para liberar flúor. Padrões nos dados mostraram que águas ricas em sódio e salinas — especialmente as influenciadas por camadas evaporíticas — tendem a extrair cálcio e aumentar o conteúdo mineral total, criando condições ideais para o acúmulo de flúor ao longo de longos caminhos de fluxo subterrâneo.

Deixando os dados aprenderem as condições de risco

Como a química é complexa e não linear, a equipe recorreu ao aprendizado de máquina — métodos computacionais que aprendem padrões a partir de dados — para prever níveis de flúor sem alimentá-los diretamente com as medidas de flúor. Em vez disso, usaram apenas entradas “cego ao flúor”, como pH, condutividade elétrica, íons principais e saídas selecionadas de modelos geoquímicos. Após testar vários algoritmos, um modelo baseado em rede neural teve o melhor desempenho, explicando uma parcela substancial da variação no flúor. Entre os modelos, emergiu a mesma mensagem: a salinidade geral (sólidos totais dissolvidos e força iônica) e o pH importavam mais do que qualquer íon isolado. Em outras palavras, a “força” geral e a alcalinidade da água são pistas melhores sobre o perigo do flúor do que os números brutos de sódio ou cálcio isoladamente.

Uma pontuação simples para triagem de campo

A partir dessas percepções, os pesquisadores construíram um “Índice de Mobilidade” — uma pontuação única que estima quão propensa uma amostra de água é a mobilizar flúor, novamente sem usar qualquer medida de flúor em sua construção. O índice combina quatro componentes: um sinal de intemperismo da rocha, a distância da água para a formação de fluorita, o pH e quão ativa seria a forma do flúor se presente. Cada componente é escalado e ponderado de modo que pontuações altas signifiquem maior probabilidade de flúor inseguro. Quando testado contra dados reais de flúor, esse índice teve um desempenho excelente ao separar poços seguros de inseguros. Crucialmente, pode ser calculado com medições padrão de campo e rotineiras de laboratório, tornando-o viável para oficiais distritais de água e grupos comunitários.

O que isso significa para comunidades e políticas

Para os moradores de Karaga e regiões semelhantes, o estudo mostra que níveis perigosos de flúor não são aleatórios; eles estão ligados a tipos de rocha identificáveis, água salina e alcalina e certos padrões de química da água. Ao combinar a ciência clássica de águas subterrâneas com aprendizado de máquina moderno, os autores fornecem uma ferramenta prática de alerta precoce que pode sinalizar poços de alto risco antes que as pessoas adoecem. As autoridades locais podem priorizar testes e tratamento nas comunidades cujas águas obtêm as maiores pontuações no Índice de Mobilidade, misturar fontes mais seguras quando possível e escolher métodos de desf floração que combinem com a química local. Além de Gana, a mesma estrutura pode ser adaptada para outras regiões propensas ao flúor, ajudando a transformar a química subterrânea invisível em orientação acionável para água potável segura.

Citação: Sunkari, E.D., Abdul-Wahab, D., Gutiérrez, M. et al. Geochemical and machine learning approaches to groundwater fluoride prediction in Karaga District, Northern Ghana. Sci Rep 16, 10610 (2026). https://doi.org/10.1038/s41598-026-45867-6

Palavras-chave: flúor em água subterrânea, Distrito de Karaga Gana, aprendizado de máquina, modelagem geoquímica, risco na água potável