Integrating GIS, Multi-Criteria Decision Analysis and Google Earth Engine for National-Scale Groundwater Potential Assessment in Zimbabwe

Resumo Técnico: Integração de SIG, Análise de Decisão Multicritério e Google Earth Engine para Avaliação do Potencial de Águas Subterrâneas em Escala Nacional no Zimbábue

Problema
A avaliação confiável das águas subterrâneas em escala nacional continua sendo um desafio crítico em regiões com escassez de dados subjacentes a aquíferos de embasamento cristalino, como o Zimbábue. Nesses ambientes, a informação hidrogeológica é frequentemente heterogênea e incompleta, restringindo o planejamento sustentável dos recursos hídricos. Embora as águas subterrâneas tenham se tornado um recurso estratégico para a resiliência climática e a segurança hídrica nacional no Zimbábue, estudos anteriores foram limitados por escalas espaciais reduzidas (nível de bacia hidrográfica ou distrito), combinações de variáveis simplificadas e uma falta de validação abrangente utilizando grandes conjuntos de dados de furos de monitoramento independentes. Consequentemente, o Zimbábue carecia de um quadro harmonizado e validado nacionalmente para apoiar o desenvolvimento estratégico das águas subterrâneas e a gestão baseada em evidências.

Metodologia
O estudo desenvolveu uma estrutura geoespacial reprodutível de cinco estágios, integrando Sistemas de Informação Geográfica (SIG), o Processo de Hierarquia Analítica (AHP) e o Google Earth Engine (GEE) para mapear as Zonas de Potencial de Águas Subterrâneas (ZPAs) em todo o Zimbábue.

1. Aquisição e Pré-processamento de Dados: Onze fatores condicionantes hidrogeológicos foram integrados, representando características topográficas, geológicas, hidrológicas, climáticas, de vegetação e da superfície terrestre. As fontes de dados incluíram SRTM DEM, CHIRPS (precipitação), MOD16 (evapotranspiração), SoilGrids, imagens Sentinel-2 e mapas geológicos do Levantamento Geológico do Zimbábue. Todos os conjuntos de dados foram padronizados para uma resolução de 30 m na UTM Zona 35S.
2. Preparação de Camadas Temáticas: Variáveis contínuas (ex: declividade, precipitação, densidade de drenagem) foram classificadas usando algoritos de Quantile ou Jenks Natural Breaks, enquanto variáveis categóricas (ex: geologia, uso do solo) foram ranqueadas com base no julgamento de especialistas hidrogeólogos. Cada camada foi padronizada para uma escala de adequação de 1 (muito baixa) a 5 (muito alta).
3. Ponderação via AHP: O Processo de Hierarquia Analítica foi empregado para determinar os pesos relativos dos onze fatores. O aporte de especialistas de cinco hidrogeólogos e especialistas em SIG do Zimbábue foi utilizado para construir uma matriz de comparação par a par. A Razão de Consistência (CR) foi calculada para garantir a consistência lógica.
4. Delineamento do Potencial de Águas Subterrâneas: Uma análise de Sobreposição Ponderada no ArcGIS gerou o Índice de Potencial de Águas Subterrâneas (IPAS) através da soma do produto dos pesos normalizados e dos escores de adequação padronizados. O IPAS foi reclassificado em cinco zonas de potencial (Muito Baixo a Muito Alto) utilizando Jenks Natural Breaks.
5. Validação e Avaliação Dinâmica:
   • Validação Estática: O modelo foi validado contra um banco de dados nacional independente de 18.617 registros de furos de monitoramento da Autoridade Nacional de Águas do Zimbábue (ZINWA), abrangendo sete bacias hidrográficas. O desempenho preditivo foi medido usando coeficientes de correlação de Pearson.
   • Avaliação Dinâmica: Para adicionar uma dimensão temporal, o estudo utilizou o GEE para processar anomalias de armazenamento de água terrestre derivadas do GRACE e dados de precipitação CHIRPS (2002–2020) para avaliar a dinâmica de armazenamento de águas subterrâneas e os atrasos de recarga.

Principais Resultados

• Importância dos Fatores: A análise AHP identificou a Geologia (24,09%), a Densidade de Linamentos (20,46%), a Precipitação (16,76%) e a Densidade de Drenagem (16,16%) como os controles dominantes na ocorrência de águas subterrâneas. Estes quatro fatores representaram mais de 75% do peso total do modelo, destacando a primazia das características litológicas, controles estruturais e condições de recarga em aquíferos de embasamento cristalino.
• Distribuição Espacial: O mapa nacional de ZPAs classificou 22,7% do Zimbábue com alto a muito alto potencial de águas subterrâneas, enquanto 28,2% foi classificado como baixo a muito baixo. O potencial moderado foi a classe dominante, cobrindo 49,1% do país. As zonas de alto potencial concentraram-se nas regiões sul, central e oeste (notadamente nas bacias de Masvingo, Mzingane e Sanyati), enquanto as áreas de baixo potencial prevaleceram nas regiões leste e norte (ex: Manicaland e partes das bacias de Save/Mazowe).
• Validação do Modelo: O modelo demonstrou forte precisão preditiva. Houve uma correlação positiva significativa entre o IPAS previsto e os rendimentos observados nos furos (**Pearson r = 0,78, p < 0,05**). Aproximadamente 82% dos furos de alto rendimento (> 5 L s⁻¹) estavam localizados dentro de zonas de Alto/Muito Alto potencial, comparado a apenas 0,6 L s⁻¹ de rendimento médio em zonas de Muito Baixo potencial.
• Dinâmica Temporal: A análise dos dados GRACE e CHIRPS revelou uma forte relação positiva entre a precipitação e as anomalias de armazenamento de água terrestre (R² = 0,78). Observou-se um atraso temporal consistente de um a dois meses entre o pico de precipitação e a máxima anomalia de armazenamento de água subterrânea, refletindo o tempo necessário para infiltração e percolação em sistemas de embasamento fraturados.

Significância e Alegações
Os autores afirmam que este estudo fornece a primeira avaliação de potencial de águas subterrâneas validada nacionalmente para o Zimbábue utilizando uma estrutura de modelagem geoespacial harmonizada. A significância do trabalho é quadraformada:

1. Escala Nacional: Vai além dos estudos de bacias localizadas para fornecer um mapa abrangente de recursos em todo o país, adequado para o planejamento estratégico.
2. Integração Metodológica: Integra com sucesso dados ambientais de múltiplas fontes dentro de um fluxo de trabalho reprodutível SIG–AHP–GEE, demonstrando a utilidade da computação em nuvem para processar grandes conjuntos de dados de observação da Terra em regiões com escassez de dados.
3. Validação Robusta: Ao validar o modelo contra um extenso conjunto de dados de 18.617 furos, o estudo fortalece substancialmente a confiança no desempenho preditivo dos mapas resultantes, abordando uma limitação comum na literatura anterior.
4. Perspectiva Temporal: A estrutura complementa o mapeamento de potencial estático com uma avaliação da dinâmica de armazenamento de águas subterrâneas, ofereando uma visão mais holística do comportamento das águas subterrâneas sob variadas condições climáticas.

O estudo conclui que a estrutura integrada serve como uma ferramenta de suporte à decisão transparente e escalável para a exploração de águas subterrâneas, localização de furos e gestão de recursos hídricos resiliente ao clima em sistemas de aquíferos de embasamento cristalino. Os autores observam que, embora o modelo seja robusto, ele foca na quantidade e não na qualidade, e trabalhos futuros poderiam incorporar técnicas de aprendizado de máquina e dados geofísicos de maior resolução para aumentar ainda mais as capacidades preditivas.