Inteligência artificial prevê contaminação por E. coli em rios e praias com 85% de precisão

Pesquisadores do FAMU-FSU College of Engineering desenvolveram um sistema de inteligência artificial capaz de prever a contaminação por Escherichia coli em rios e praias com até 24 horas de antecedência e precisão de aproximadamente 85%.

A ferramenta substitui a lógica reativa — que só alerta após a contaminação já ter ocorrido — por uma abordagem preditiva. Ela é capaz de proteger banhistas antes que os riscos se materializem.

A professora assistente Nasrin Alamdari, do Departamento de Engenharia Civil e Ambiental e do Centro de Infraestrutura Resiliente e Resposta a Desastres (RIDER), liderou o desenvolvimento do modelo. ‘O fechamento de praias frequentemente ocorre porque detectamos a contaminação depois que as condições da água já se tornaram inseguras’, explicou Alamdari.

‘Nosso objetivo é passar de uma abordagem reativa para uma preditiva, usando dados ambientais contínuos — incluindo chuva, fluxo de rios, turbidez, temperatura e condições a montante — para estimar os níveis de E. coli em tempo quase real e com até um dia de antecedência’, completou a pesquisadora.

O modelo foi publicado na revista científica Water Research e detalhado pelo portal phys.org. O sistema combina dados históricos e em tempo real para estimar o risco de contaminação sem depender de análises laboratoriais. O processo tradicional leva entre 18 e 24 horas para produzir resultados — tempo suficiente para que banhistas já tenham sido expostos a níveis perigosos de bactérias.

As variáveis utilizadas incluem condições hidrológicas a montante, taxas de fluxo de rios, totais de precipitação, leituras de turbidez e temperatura da água. Ao combinar esses fatores, o modelo sinaliza risco elevado de E. coli com antecedência de um dia inteiro, mesmo durante eventos climáticos extremos.

Um dos casos que ilustra a utilidade do sistema é o vazamento de esgoto ocorrido em 2023 na Estação de Recuperação de Água Big Creek, após uma falha operacional que contaminou rapidamente as águas recreativas a jusante. ‘Nossos modelos preditivos usam dados ambientais e hidrometeorológicos atuais e históricos para estimar o risco de contaminação antes que os resultados laboratoriais cheguem’, afirmou Ali Salou Moumouni, pesquisador de pós-graduação no projeto.

‘Ao considerar as condições hidrológicas a montante, o modelo fornece alertas mais precoces e monitoramento mais direcionado, melhorando a preparação durante eventos súbitos de contaminação’, acrescentou Moumouni.

O estudo também revela como a expansão urbana agrava o problema. Entre 2007 e 2023, a urbanização na área analisada aumentou a cobertura impermeável do solo de 24% para 28%, alterando os caminhos do escoamento superficial e elevando os níveis de E. coli nos cursos d’água. Mesmo eventos de chuva moderada passaram a representar risco elevado em bacias hidrográficas urbanizadas.

‘Nossas descobertas mostram que cada decisão de desenvolvimento influencia a qualidade da água e a saúde pública, destacando a necessidade de infraestrutura verde’, disse Imtiaz Syed Usama, outro pesquisador de pós-graduação da equipe.

As consequências de alertas tardios vão além da saúde pública. Fechamentos inesperados de praias e rios causam perdas imediatas de receita para hotéis, operadores de turismo e empresas de recreação aquática, além de elevar os custos municipais com notificações de emergência.

‘Atrasos expõem o público a maiores riscos de saúde e aumentam as despesas médicas com doenças de veiculação hídrica’, destacou Alamdari. ‘Economias locais que dependem de recreação e turismo sofrem perdas de receita quando visitantes cancelam viagens ou evitam áreas afetadas.’

A pesquisadora Mitra Nasr Azadani, do RIDER, reforçou que o sistema tem potencial de democratizar o acesso a alertas precoces. ‘Comunidades sem testes laboratoriais de rotina ainda podem emitir avisos antecipados e proteger a saúde pública’, disse. O modelo combina dados de chuva, fluxo de rios, turbidez e outros indicadores hidrometeorológicos para prever o risco de E. coli em tempo quase real — exatamente o cenário em que os sistemas tradicionais mais falham.