Avaliação de algoritmos de Machine Learning para estimativa da condutividade elétrica de águas subterrâneas em vale aluvial do semiárido brasileiro

Código

XVIII-SRHNE0271

Autores

Eduardo Matheus Costa da Fonte, Oto Barbosa de Andrade, Thayná Alice Brito Almeida, Abelardo Antônio de Assunção Montenegro

Tema

4. Qualidade da Água, Monitoramento e Inovação Tecnológica

Resumo

A salinização é um grande desafio para a segurança hídrica no semiárido, e a gestão eficaz exige bancos de dados consistentes. Este estudo avalia algoritmos de aprendizado de máquina para estimar a condutividade elétrica da água subterrânea no Vale Aluvial do Mimoso, visando preencher falhas em séries históricas de monitoramento. A pesquisa utilizou dados pluviométricos e espaço-temporais da salinidade em poços vizinhos, testando os modelos K-Nearest Neighbors (KNN), Random Forest, Regressão Linear Múltipla e Cubist. A análise estatística revelou alta heterogeneidade espacial e temporal na resposta da salinidade à recarga. A precipitação do mês anterior destacou-se como um importante preditor para todos os modelos, demonstrando que a memória hidrológica recente contribui para a dinâmica salina. Dentre os modelos avaliados, o modelo KNN apresentou o melhor desempenho geral na predição e no preenchimento de dados ausentes, superando a Regressão Linear e o Random Forest, que falharam em capturar as relações não-lineares do transporte de sais no aquífero. Desta forma, conclui-se que algoritmos preditivos, baseados em variáveis acessíveis como a pluviometria, são ferramentas promissoras para reconstruir falhas de monitoramento, garantindo suporte essencial à gestão sustentável das águas subterrâneas no semiárido.