Modelling the Water Quality of River Mara Using an Adaptive Neuro-Fuzzy Inference System (ANFIS)

Os rios são a seiva das paisagens, transportando água que sustenta tudo, desde o menor peixe até os maiores rebanhos de animais pastadores. Mas a saúde de um rio não diz respeito apenas a quanta água flui através dele; trata-se do que está dissolvido ou suspenso nessa água. Os cientistas medem essa saúde observando ingredientes específicos, como quanto oxigênio está disponível para a vida aquática, quanto resíduo orgânico está sendo decomposto e quanto lodo ou silte está turvando o fluxo. Esses ingredientes não permanecem os mesmos; eles mudam com as estações. Quando chuvas intensas caem, elas lavam o solo e os nutrientes para dentro do rio, alterando sua química. Quando a estação seca chega, a água desacelera e diferentes processos assumem o controle. Compreender esses padrões mutáveis é crucial para gerir os recursos hídricos, especialmente em regiões onde os rios atravessam fronteiras e sustentam ecossistemas inteiros. No entanto, a relação entre esses ingredientes variáveis é frequentemente confusa e imprevisível, tornando difícil prever como um rio se comportará apenas olhando para médias simples.

No trecho tanzaniano do Rio Mara, uma via fluvial vital partilhada com o Quénia, uma equipa de investigadores partiu para compreender estas complexas mudanças sazonais. Eles reuniram uma vasta coleção de dados de qualidade da água abrangendo dezasseis anos, de 2010 a 2026, recolhidos em doze pontos diferentes ao longo do rio. Focaram-se em quatro indicadores principais: a quantidade de lama e silte suspensos, o nível de oxigénio dissolvido, a quantidade de poluição orgânica e a concentração de azoto amoniacal. Ao classificar estes dados em épocas secas e chuvosas, descobriram que o rio se comporta de forma diferente dependendo da época do ano. Durante a estação chuvosa, a quantidade de poluição orgânica aumentou significamente, enquanto os níveis de oxigénio também viram um aumento modesto. A quantidade de lama suspensa permaneceu aproximadamente a mesma entre as estações, embora tenha variado mais drasticamente quando as chuvas foram intensas. Os níveis de amoníaco mostraram apenas um ínfimo aumento durante os meses chuvosos. Crucialmente, os investigadores descobriram que estes números não seguem uma curva de sino perfeita e previsível; em vez disso, são assimétricos, com picos ocasionais que quebram o padrão de distribuição normal. Esta irregularidade significa que as ferramentas matemáticas padrão muitas vezes têm dificuldade em dar sentido aos dados.

Para enfrentar esta complexidade, os investigadores recorreram a um modelo computacional sofisticado chamado Sistema de Inferência Neuro-Fuzzy Adaptativo, ou ANFIS. Pense neste sistema como um observador altamente treinado que aprende a reconhecer padrões estudando exemplos, tal como uma pessoa aprende a identificar um pássaro ao ver muitas espécies diferentes, em vez de memorizar uma única definição de um livro didático. Este modelo foi concebido para lidar com as relações confusas e não lineares entre os ingredientes da qualidade da água e uma pontuação geral que representa o nível de poluição do rio. A equipa dividiu os seus dezasseis anos de dados em dois grupos: um para ensinar o modelo e outro para testar as suas previsões. Eles executaram o modelo separadamente para a estação seca e para a estação chuvosa para ver se ele conseguia adaptar-se às diferentes condições.

Os resultados foram encorajadores. O modelo provou ser uma ferramenta poderosa para compreender a saúde do rio, capturando com sucesso as complexas interações entre os diferentes fatores de qualidade da água. Durante a estação seca, as previsões do modelo coincidiram com as observações reais com um alto grau de precisão, explicando cerca de oitenta por cento das variações observadas nos dados reais. O desempenho foi ligeiramente inferior, embora ainda muito forte, durante a estação chuvosa, explicando quase oitenta por cento das variações. O modelo não fez previsões perfeitas, e ainda existiam algumas diferenças inexplicadas, particularmente durante os meses de chuva, quando o rio é mais caótico. No entanto, o facto de o modelo ter funcionado tão bem sem precisar de assumir que os dados seguiam um padrão de linha reta simples sugere que esta abordagem é bem adequada para rios que mudam rapidamente.

O estudo destaca que, embora a qualidade da água do Rio Mara seja influenciada pelas chuvas sazonais e pela atividade humana, estas mudanças podem ser monitorizadas e compreendidas utilizando técnicas de modelagem avançadas. Os investigadores notaram que o seu trabalho dependeu de quatro medições específicas e que a adição de mais pontos de dados, como quantidades de chuva ou temperatura da água, poderia tornar os modelos futuros ainda mais precisos. Eles também reconheceram que os seus dados vieram de diferentes fontes ao longo de muitos anos, o que poderia introduzir pequenas inconsistências. Apesar destas limitações, o estudo demonstra que a inteligência artificial pode servir como um guia fiável para a gestão de rios. Ao aprender com o passado, estes modelos oferecem uma forma de antecipar problemas futuros de qualidade da água, proporcionando uma imagem mais clara de como proteger este recurso transfronteiriço crítico para a vida selvagem, a agricultura e as comunidades que dele dependem.