📄 earth_science

Geospatial Methods for SDG-Aligned Land and Water Resource Management: A Bibliometric and Systematic Review of Research Trends (2021–2026)

Este estudo combina revisões bibliométricas e sistemáticas de pesquisas de 2021–2026 para mapear tendências globais em métodos geoespaciais para gestão de terra e água, revelando uma mudança em direção a plataformas baseadas em nuvem e aprendizado de máquina, ao mesmo tempo em que identifica lacunas críticas no monitoramento em tempo real e na integração de políticas para melhor apoiar o ODS 6 e o ODS 15.

Autores originais: Ajay Prakash M., Ragunath K. P., Pazhanivelan S., Muthumanickam D., Sivamurugan A. P., Vanitha G., Fawaz Parapurath, Kamalesh Kanna S., Sivakumar D., Kumar V.

Publicado 2026-08-06

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ajay Prakash M., Ragunath K. P., Pazhanivelan S., Muthumanickam D., Sivamurugan A. P., Vanitha G., Fawaz Parapurath, Kamalesh Kanna S., Sivakumar D., Kumar V.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a Terra como um quebra-cabeça gigante e vivo, onde a terra e a água são duas peças que pressionam constantemente uma à outra. Se você pressionar demais a terra (como construir uma cidade ou cultivar demais), a água é espremida, seca ou fica suja. Se a água se mover de forma errada, a terra pode ser lavada. Por muito tempo, os cientistas tentaram resolver esse quebra-cabeça enviando pessoas para o campo com pranchetas e baldes, mas isso é lento, caro e às vezes impossível quando o clima está ruim ou a área é grande demais. Entram em cena os detetives "Geoespaciais". Estes são cientistas que usam satélites orbitando no alto como olhos gigantes e superpotentes para tirar fotos da Terra, e computadores poderosos para transformar essas fotos em mapas. Eles usam ferramentas como Sensoriamento Remoto (tirando fotos do espaço), SIG (um sistema de camadas de mapas digitais que permite empilhar informações como um sanduíche) e Aprendizado de Máquina (computadores que aprendem a identificar padrões melhor do que os humanos podem). Nós nos importamos com isso porque o mundo está ficando mais quente, as cidades estão crescendo e a água está se tornando escassa. Se não conseguirmos descobrir onde a água está se escondendo ou como a terra está mudando, não poderemos alimentar as pessoas ou mantê-las seguras contra inundações.

Agora, imagine uma biblioteca enorme contendo todos os artigos de pesquisa escritos entre 2021 e 2026 sobre esses mapas de satélite-espaço. Os autores deste artigo decidiram ser os bibliotecários definitivos. Eles não apenas leram alguns livros; eles escanearam 335 artigos revisados por pares para ver o que o mundo inteiro estava fazendo e, depois, mergulharam profundamente em 59 estudos específicos para ver se esses estudos estavam realmente fazendo um bom trabalho. É como revisar uma temporada de uma série de TV: eles olharam para as avaliações (quantas pessoas assistiram) e depois criticaram o enredo (a história fazia sentido?).

Aqui está o que eles encontraram, e é um pouco de uma reviravolta na trama.

Primeiro, a biblioteca está ficando lotada rapidamente. O número de artigos publicados saltou 59,2% entre 2021 e 2025, atingindo o pico de 1.735 artigos em 2025. É como uma explosão repentina de interesse, impulsionada pela pandemia (que dificultou sair de casa, então as pessoas usaram satélites em vez disso) e pelo esforço global para cumprir os "Objetivos de Desenvolvimento Sustentável" da ONU (um checklist para salvar o planeta). Embora grandes jogadores como China e EUA tenham escrito a maioria dos artigos, o trabalho mais "citado" (mais comentado) veio de lugares como Quênia, Equador e África do Sul. Parece que, quando você está em um lugar onde a água é realmente escassa, sua pesquisa recebe muita atenção porque resolve um problema real e urgente.

Mas aqui está a grande surpresa, o momento do "pegadinha". Por anos, muitos cientistas seguiram uma receita: "Para fazer um mapa melhor, basta adicionar mais ingredientes". Eles pensavam que, se empilhassem mais camadas de dados (como adicionar mais coberturas a uma pizza) ou verificassem seu mapa contra mais pontos no solo (como provar a pizza mais vezes), seu mapa seria automaticamente perfeito.

Os autores testaram essa ideia com matemática, e isso não funcionou.

Eles descobriram que adicionar mais "camadas de entrada temática" (as coberturas de dados) mal melhorava a precisão dos mapas. Na verdade, a matemática mostrou que o número de camadas explicava apenas 9,4% do porquê um mapa era bom ou ruim. É como perceber que adicionar a décima fatia de pepperoni à sua pizza não a torna significativamente melhor; a qualidade da massa e do molho importa muito mais. Da mesma forma, ter mais pontos de verificação no solo ajudou um pouco, mas não foi a bala de prata que todos pensavam.

Então, o que torna um mapa bom? O artigo descobriu que o método que você usa é o verdadeiro ingrediente secreto.

Por muito tempo, o método mais popular foi chamado de AHP (Processo de Hierarquia Analítica). Pense no AHP como um "sistema de votação" onde especialistas decidem o quão importante é cada camada do mapa. É fácil de usar e muito comum, especialmente em lugares como o Sul da Ásia e a África, onde os computadores podem ser mais lentos. Mas o artigo descobriu que o AHP é como uma calculadora confiável e antiga: ele faz o trabalho, mas não é a ferramenta mais rápida ou inteligente disponível.

Quando os autores compararam o AHP com o Aprendizado de Máquina (onde o computador aprende com os dados por conta própria), o computador venceu todas as vezes. Nos estudos que compararam os dois lado a lado, o Aprendizado de Máquina alcançou uma pontuação de precisão (chamada ROC-AUC) de 0,860, enquanto o AHP atingiu apenas 0,748. Isso é uma melhoria de 15%. É a diferença entre um GPS que te leva à rua certa e um que te leva exatamente à porta da frente.

No entanto, há um desfecho triste. Embora o Aprendizado de Máquina seja claramente melhor, os lugares que mais precisam dele (Sul da Ásia e África, onde o lençol freático está secando) ainda utilizam majoritmente o antigo método AHP. É como dirigir um carro lento e confiável quando um carro elétrico rápido está parado na garagem, mas você tem medo de mudar. O artigo sugere que, se essas regiões pudessem mudar para os métodos mais novos e inteligentes, poderiam encontrar água com muito mais precisão.

O artigo também aponta algumas outras peças faltando no quebra-cabeça.

O Problema da "Caixa Preta": Muitos estudos usam computadores inteligentes, mas não explicam por que o computador tomou uma decisão. É como um professor que te dá um "A" mas não diz o que você fez direito. Os autores dizem que precisamos de uma "IA Explicável" para que os formuladores de políticas possam confiar nos resultados.
A Armadilha do "Estático": A maioria dos mapas é apenas um instantâneo de um momento no tempo. Mas o mundo está sempre em movimento. O artigo argumenta que precisamos de monitoramento em "Tempo Real", como uma transmissão ao vivo em vez de uma fotografia, para capturar inundações ou secas conforme elas acontecem.
O Ponto Cego do "Apenas Oferta": Quase todos os estudos de água olharam apenas para onde a água está (oferta), mas nenhum deles olhou para o quanto as pessoas estão usando-a (demanda). É como medir quanta água há em um balde, mas ignorar o buraco no fundo. Sem saber quanto está sendo usado, não podemos realmente gerenciar o recurso.

No fim, este artigo é um chamado à ação. Ele nos diz que as ferramentas que temos estão melhorando, mas estamos usando as antigas e mais lentas nos lugares que mais precisam de velocidade. O futuro não é apenas tirar mais fotos do espaço; é usar computadores mais inteligentes para interpretar essas fotos, explicar nossas respostas claramente e conectar os pontos entre onde a água está e como a usamos. Se pudermos fazer isso, talvez possamos resolver o maior quebra-cabeça de todos: manter nossa terra e nossa água saudáveis para todos.

Resumo Técnico: Métodos Geoespaciais para a Gestão de Recursos Hídricos e de Terras Alinhados aos ODS (2021–2026)

Declaração do Problema

A interconexão entre os recursos hídricos e de terras é fundamental para o desenvolvimento sustentável, mas a gestão eficaz é cada vez mais desafiada pelas mudanças climáticas, a urbanização e a escassez de água. Embora as tecnologias geoespaciais (Sensoriamento Remoto, SIG, GNSS) ofereçam estruturas robustas para observação e análise, as revisões de literatura anteriores foram limitadas por escopos de domínios específicos (focando apenas em águas subterrâneas ou cobertura do solo) ou estruturas de método único que carecem de síntese cross-domain. Além disso, há uma falta de evidência quantitativa sobre como escolhas específicas de desenho de estudo — como o número de pontos de validação ou camadas de entrada — realmente influenciam a precisão do modelo. Este estudo aborda a ausência de uma caracterização bibliométrica abrangente do cenário de pesquisa 2021–2026, a falta de análise quantitativa ligando o desenho do estudo ao desempenho do modelo e a ausência de um mapeamento geográfico das disparidades entre método e desempenho.

Metodologia

O estudo emprega uma abordagem de dois métodos combinando análise bibliométrica com uma revisão sistemática baseada em PRISMA e meta-regressão.

1. Análise Bibliométrica:

Fonte de Dados: O conjunto de dados primário foi recuperado da API do Dimensions, selecionada por sua ampla cobertura multidisciplinar, metadados de acesso aberto e capacidades de API programática.
Estratégia de Busca: Uma string de busca booleana ("Geospatial Methods AND Land AND Water Resource Management") foi aplicada a títulos e resumos.
Filtragem: De um total inicial de 7.104 registros, o conjunto de dados foi filtrado para incluir apenas artigos revisados por pares publicados em inglês entre 2021 e 2026. Isso resultou em um corpus analítico final de 335 artigos.
Validação: A validação cruzada contra Scopus e Web of Science confirmou alta concordância (Spearman $\rho$ = 0,92 e 0,89, respectivamente) nos rankings de nível de país.
Ferramentas: Microsoft Excel para análise de tendências e VOSviewer para mapeamento de rede de coocorrência de palavras-chave e coautoria.

2. Revisão Sistemática:

Busca: Realizada através de Scopus, PubMed e Dimensions AI, gerando 583 registros iniciais.
Triagem: Após a remoção de duplicatas e triagem de título/resumo, 136 artigos de texto completo foram avaliados.
Inclusão: 59 estudos atenderam aos critérios de elegibilidade, exigindo aplicações geoespaciais empíricas com métricas de validação quantificáveis.
Avaliação de Qualidade: Uma nova ferramenta de avaliação de qualidade de cinco dimensões (adaptada de frameworks clínicos como GRADE e ROBINS-I) foi desenvolvida para avaliar o viés de resolução espacial, consistência temporal, integridade de validação do modelo, confiabilidade da verdade de campo e viés de seleção.

3. Meta-Regressão:

Um subconjunto de estudos que reportaram tanto escores ROC-AUC quanto parâmetros de desenho específicos (contagem de pontos de validação e contagem de camadas de entrada temáticas) foi selecionado para análise de regressão para determinar preditores de precisão do modelo.

Principais Contribuições

O artigo reivindica três contribuições metodológicas e empíricas primárias:

Primeira Revisão Integrada: É a primeira revisão sistemática que combina mapeamento bibliométrico com meta-regressão baseada em PRISMA especificamente para métodos geoespaciais em gestão de recursos hídricos e de terras durante o período 2021–2026.
Estrutura de Design Quantitativo: Introduz um framework de meta-regressão demonstrando que parâmetros de desenho de estudo comumente relatados (contagem de camadas, contagem de pontos de validação) são preditores fracos da precisão do modelo, desafiando a suposição de que "mais dados" equivalem a "melhores modelos".
Avaliação de Qualidade Padronizada: Propõe uma ferramenta de avaliação de qualidade de cinco dimensões adaptada para revisões sistemáticas geoespaciais, fornecendo o primeiro rubro de pontuação padronizado para este campo.

Principais Resultados

1. Tendências de Publicação e Colaboração:

A produção de publicações cresceu 59,2% entre 2021 e 2025, atingindo o pico de 1.735 artigos em 2025.
China e Estados Unidos dominam a produção colaborativa e a força de ligação. No entanto, países com estresse de recursos agudo (Quênia, Equador, África do Sul) demonstram um impacto de citação por documento desproporcionalmente alto.
Mapeamento de potencial de águas subterrâneas é a aplicação mais estudada (39% do corpus), seguida pela detecção de mudança de Uso e Cobertura da Terra (LULC).

2. Desempenho Metodológico (Meta-Regressão):

Pontos de Validação: Existe uma correlação positiva entre o número de pontos de validação de campo e o ROC-AUC ( $R^2 = 0,394$ ), mas isso explica menos de 40% da variância.
Camadas de Entrada: O número de camadas de entrada temáticas tem um impacto negligenciável na precisão do modelo ( $R^2 = 0,094$ ). Estudos com menos camadas frequentemente superaram aqueles com mais camadas, indicando que a qualidade e a relevância das camadas são mais críticas do que a quantidade.
Família de Métodos: Aprendizado de Máquina (ML) e métodos de ensemble consistentemente superaram as estruturas de Processo de Hierarquia Analítica (AHP).
- Apenas AHP: Média ROC-AUC = 0,748.
- Híbrido AHP: Média ROC-AUC = 0,815.
- ML/Ensemble: Média ROC-AUC = 0,860.
Disparidade Geográfica: Apesar do desempenho superior do ML, o AHP continua sendo o método dominante no Sul da Ásia e na África (regiões com o maior estresse de águas subterrâneas), enquanto o ML está concentrado na América do Norte e partes do Sul da Ásia com melhor infraestrutura computacional.

3. Achados Temáticos:

Gestão de Terras: 92% dos estudos comparativos confirmaram que a expansão urbana e agrícola reduz mensuravelmente os níveis de águas subterrâneas e a extensão dos corpos d'água. No entanto, nenhum dos 15 estudos de gestão de terras vinculou explicitamente os achados às metas quantitativas do ODS 15.
Gestão de Água: O mapeamento de zonas de potencial de águas subterrâneas (GPZ) representou 56% dos estudos de água. Uma lacuna crítica identificada é o viés do lado da oferta: 100% dos estudos de gestão de água focaram no mapeamento da oferta sem integrar indicadores do lado da demanda (preços, eficiência de consumo), tornando-os insuficientes para o monitoramento do ODS 6.4.
Lacuna Tecnológica: Apesar da proeminência bibliométrica, ferramentas avançadas como dados SAR (8% de uso), Google Earth Engine (7% de uso) e sensores hiperespectrais (0% de uso) são subutilizadas em pesquisas operacionais em comparação com imagens ópticas e GIS de desktop.

4. Qualidade e Reprodutibilidade:

Confiabilidade da Verdade de Campo: A fraqueza metodológica mais frequente (identificada em 57% dos estudos avaliados) foi a verdade de campo inadequada, muitas vezes dependendo da interpretação do Google Earth ou de menos de 20 pontos de campo.
Consistência Temporal: Muitos estudos utilizaram conjuntos de dados estáticos de época única em contextos que exigem análise multitemporal, limitando a capacidade de detectar tendências.

Significância e Alegações

O artigo posiciona-se como uma intervenção crítica no campo da gestão de recursos geoespaciais ao ir além do mapeamento descritivo para a crítica metodológica baseada em evidências.

Relevância Política: O estudo argumenta que a pesquisa geoespacial atual está frequentemente desconectada da implementação de políticas. Destaca que, sem integrar dados do lado da demanda e indicadores de governança, os resultados geoespaciais não podem apoiar efetivamente o monitoramento dos ODS 6 (Água Limpa) e 15 (Vida Terrestre).
Mudança Metodológica: Alega que o campo está mudando da aquisição de dados (Sensoriamento Remoto) para a interpretação de dados e integração de decisões. No entanto, identifica uma "lacuna de tradução" onde métodos superiores (ML) não estão sendo adotados nas regiões que mais precisam deles devido a restrições de dados e computação.
Prioridades Futuras: Os autores identificam três prioridades críticas para o avanço do campo:
1. Monitoramento em tempo real: Mover de snapshots estáticos para estruturas contínuas integradas com IoT.
2. IA Explicável (XAI): Exigindo saídas SHAP ou LIME para garantir a interpretabilidade do modelo para formuladores de políticas.
3. Estruturas resilientes ao clima: Integrar projeções climáticas dinâmicas (CMIP6) em modelos geoespaciais para garantir a relevância a longo prazo.

O estudo conclui que, embora as tecnologias geoespaciais sejam indispensáveis, o campo deve evoluir de estudos descritivos, estáticos e focados no lado da oferta para ferramentas de decisão preditivas, integradas à política e reproduzíveis para cumprir a agenda ODS 2030.