Cientistas criam rede neural que prevê fluxo e poluição de rios com poucos dados

Pesquisadores do Center for Advanced Bioenergy and Bioproducts Innovation (CABBI) da Universidade de Illinois em Urbana-Champaign desenvolveram um novo sistema de aprendizado de máquina capaz de prever com alta precisão o comportamento diário de rios e a exportação de nitrogênio em regiões com poucos dados disponíveis.

O modelo, batizado de HydroGraphNet, representa um avanço significativo na gestão hídrica e ambiental de bacias agrícolas. O estudo foi publicado na revista científica Water Research e propõe uma estrutura de aprendizado gráfico guiada por conhecimento físico.

A inovação combina topologia de grafos direcionados, que representam a conectividade entre sub-bacias e fluxos a montante, com restrições de balanço de massa que garantem coerência física nas previsões. Essa arquitetura distingue o HydroGraphNet dos modelos convencionais de hidrologia computacional.

O sistema foi inicialmente treinado com dados sintéticos para melhorar sua capacidade de generalização, especialmente em regiões onde o monitoramento hidrológico é escasso. Posteriormente, foi ajustado com medições da agência geológica dos Estados Unidos (USGS) na parte superior da bacia do rio Sangamon.

Os resultados mostraram desempenho superior aos modelos convencionais na previsão de vazão e de carga de nitrato. A inclusão explícita de informações sobre fluxos a montante e a aprendizagem espacial baseada em grafos foram determinantes para capturar as interdependências entre sub-bacias.

Essa abordagem permitiu que o modelo reproduzisse padrões sazonais de hidrologia e biogeoquímica coerentes com processos naturais conhecidos. Os autores destacam que a principal vantagem do HydroGraphNet é sua capacidade de operar de forma confiável mesmo em locais com poucos sensores ou dados históricos.

Essa característica o torna uma ferramenta promissora para apoiar a gestão de qualidade da água e o manejo agrícola de precisão, sobretudo em regiões rurais onde o monitoramento ambiental ainda é limitado. O estudo foi liderado por Jie Yang e colegas do CABBI.

Os pesquisadores ressaltam que o modelo não se limita à previsão de descarga e nitrogênio e pode ser adaptado para outros poluentes ou variáveis ambientais. A integração entre conhecimento físico e aprendizado profundo abre caminho para uma nova geração de modelos híbridos.

O HydroGraphNet pode ainda contribuir para políticas públicas de conservação e uso racional da água, permitindo que gestores identifiquem áreas críticas de contaminação e planejem intervenções mais precisas. Em um contexto de mudanças climáticas e intensificação da agricultura, ferramentas desse tipo tornam-se essenciais para equilibrar produção e sustentabilidade.

O trabalho reforça o papel da inteligência artificial como aliada da ciência ambiental ao demonstrar que modelos híbridos podem reduzir custos de monitoramento e ampliar a cobertura de dados em escala regional. A equipe do CABBI pretende expandir as aplicações do sistema para outras bacias hidrográficas e integrar variáveis climáticas e de uso do solo em versões futuras.

Leia mais sobre o assunto na phys.org.