Aprendizado profundo aprimorado por meta‑heurísticas para previsão mensal da evaporação em tanques com dados climáticos limitados

Por que a perda de água por evaporação importa no dia a dia

A água some de lagos, reservatórios e tanques agrícolas todos os dias por evaporação, moldando discretamente quanto resta para beber, cultivar alimentos e proteger ecossistemas. Medir e prever essa perda parece simples — basta observar a água desaparecer de uma cuba —, mas na prática é difícil, especialmente em locais com poucos instrumentos meteorológicos. Este estudo investiga como técnicas modernas de aprendizado profundo, guiadas por estratégias de busca inspiradas na natureza, podem prever a evaporação mensal em tanques usando apenas um punhado de medições climáticas básicas, ajudando comunidades a planejar secas, enchentes e mudanças sazonais mesmo quando os dados são escassos.

Observando a água desaparecer de uma cuba metálica

Engenheiros e hidrólogos costumam usar a “evaporação em tanque” como uma forma prática de estimar quão rápido a água deixa superfícies abertas. Uma cuba rasa de metal cheia de água representa lagos, canais e reservatórios. Ainda assim, essas medições são suscetíveis a falhas de instrumentos, problemas de manutenção e lacunas nos registros. Fórmulas indiretas que relacionam evaporação a variáveis climáticas, como temperatura e radiação solar, também falham quando dados chave estão ausentes. Como a evaporação responde de maneira complexa e não linear ao clima e às condições da paisagem, abordagens tradicionais podem subestimar quanto de água será perdido, particularmente em regiões onde apenas poucas variáveis climáticas básicas estão disponíveis.

Ensinando um modelo com memória a interpretar o clima

Os autores partem de um tipo de rede de aprendizado profundo chamado long short‑term memory (LSTM), desenhada para aprender padrões em dados ordenados no tempo. LSTMs funcionam como uma série de “células de memória” conectadas que decidem o que manter, o que esquecer e o que transmitir adiante, tornando‑as adequadas para acompanhar as condições climáticas que mudam mês a mês. Neste estudo, os modelos usam apenas um conjunto reduzido de entradas: temperatura mínima e máxima do ar e uma medida da energia solar incidente. O objetivo é prever quanto de água evapora de um tanque a cada mês ao longo de muitos anos, mantendo-se confiável mesmo quando as informações de entrada são limitadas ou incompletas.

Deixando protozoários e besouros guiarem a busca

Treinar uma LSTM envolve escolher muitos parâmetros internos — como taxa de aprendizado, número de unidades ocultas e taxa de dropout — que influenciam fortemente sua acurácia. Em vez de ajustá‑los por tentativa e erro, os pesquisadores recorrem a dois novos otimizadores bio‑inspirados: o Artificial Protozoa Optimizer (APO) e o Dung Beetle Optimizer (DBO). Esses algoritmos imitam como protozoários microscópicos procuram alimento, descansam e se reproduzem, e como besouros rola‑fezes rolam, reorientam, furtam e entocam suas bolas de alimento. Em forma matemática, esses comportamentos se traduzem em estratégias de busca flexíveis que exploram amplamente no início e depois se concentram em regiões promissoras do espaço de parâmetros. Ao acoplar APO e DBO à LSTM, o estudo cria dois modelos híbridos — LSTM‑APO e LSTM‑DBO — que buscam automaticamente combinações de hiperparâmetros que forneçam as previsões de evaporação mais confiáveis.

Testando os modelos numa paisagem moldada pela monção

A equipe avalia esses métodos usando 40 anos de dados de duas estações meteorológicas no sudeste da China, uma região de monções com lagos, arrozais e frequentes enchentes e secas. Eles deliberadamente imitam restrições do mundo real testando várias estratégias de divisão dos dados, onde entre 70 e 80 por cento do registro é usado para treinamento e o restante para teste. Também exploram diferentes combinações de entrada — apenas temperatura ou temperatura mais radiação — para ver com quanta pouca informação os modelos conseguem trabalhar mantendo bom desempenho. O desempenho é avaliado com medidas estatísticas comuns de erro e qualidade de ajuste, e por verificações visuais como diagramas de dispersão, diagramas de Taylor e plots do tipo violino que comparam os padrões observados e previstos de evaporação.

Previsões mais nítidas graças ao ajuste inspirado na natureza

Em ambas as estações e em todos os esquemas de divisão dos dados, as redes aprimoradas por APO e DBO superaram de forma consistente a LSTM padrão e híbridos anteriores que usavam otimizadores mais estabelecidos. No melhor caso para a primeira estação, o modelo LSTM‑APO reduziu medidas de erro chave em quase metade e aproximou muito mais os valores observados e previstos de evaporação. Na segunda estação, ele novamente reduziu os erros em cerca de 40% e aumentou medidas de habilidade preditiva. O LSTM‑DBO também obteve melhorias substanciais — tipicamente reduzindo erros entre 20% e 30% — enquanto produzia previsões mais estáveis entre diferentes configurações de teste. Uma constatação prática importante é que mais entradas nem sempre são melhores: em muitos casos, combinações simples de temperatura mínima e máxima superaram modelos que também usaram radiação idealizada, ressaltando que variáveis amplamente disponíveis e bem escolhidas podem ser suficientes quando combinadas com uma rede profunda bem ajustada.

O que isso significa para a gestão da água em um mundo em mudança

Para não especialistas, a conclusão é direta: ao combinar uma rede neural sensível ao tempo com rotinas de busca engenhosas e inspiradas biologicamente, é possível prever quão rápido a água evaporará de superfícies abertas usando apenas uma pequena quantidade de informações climáticas. Os modelos LSTM‑APO e LSTM‑DBO não mudam a física da evaporação, mas aprendem seu comportamento típico em uma região dada com mais precisão do que ferramentas anteriores, mesmo quando os dados são limitados. Isso pode apoiar decisões melhores sobre operação de reservatórios, planejamento de irrigação e preparação para secas em regiões com poucos dados. Os autores sugerem que trabalhos futuros devem testar esses híbridos em cenários em tempo real e em uma gama mais ampla de climas, além de incluir mais detalhes meteorológicos como vento e umidade. Ainda assim, os resultados atuais já mostram que “protozoários” e “besouros rola‑fezes” em código podem ajudar a salvaguardar suprimentos de água muito reais no terreno.

Citação: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Palavras-chave: evaporação em tanque, aprendizado profundo, otimização metaheurística, recursos hídricos, dados climáticos