Modelagem Espacial do Potencial Hídrico Subterrâneo no Norte de Minas Gerais, Brasil: Uma Abordagem Integrada Usando Machine Learning e Dados Ambientais

Abstract

Em regiões áridas e semiáridas, como o Norte de Minas Gerais (NMG) no Brasil, as águas subterrâneas servem como um recurso crucial. Devido ao aumento previsto na procura destes recursos, é vital conceber estratégias eficazes para a gestão e análise dos recursos hídricos. O objetivo desse estudo foi realizar predição espacial de áreas potenciais de água subterrânea no NMG empregando seis Algoritmos de Aprendizado de Máquina baseados em dados de 4.028 poços tubulares. A modelagem foi auxiliada por covariáveis ambientais que possuem conexão com dinâmica da água (clima, geologia, relevo, solo e vegetação). A técnica de seleção de covariáveis (RFE- Recursive Feature Elimination) selecionou as mais importantes. O modelo Random Forest (RF) foi o mais eficiente na predição (R2 0,16 e um RMSE de 17,50 m3/h), o modelo capturou a influência de importantes covariáveis ambientais. Espacialmente, as regiões central e oeste do NMG possuem maior potencial de água subterrânea, com valores de fluxo de poços tubulares nessas áreas 620% maiores em comparação com as regiões situadas a leste. As variações possuem conexão ao predomínio de rochas sedimentares psamíticas e carbonáticas com alta porosidade e fissuras, extensos planaltos facilitando a recarga e maior pluviosidade nas regiões centro e oeste. Os resultados do mapeamento realizado podem servir como uma ferramenta para a gestão pública, definindo áreas aptas para uso das águas subterrâneas no NMG. Incentivamos estudos futuros para possíveis avanços e melhorias nos processos de modelagem de águas subterrâneas na região.

Keywords

• Recurso hídrico
• Hidrogeologia
• Semiárido mineiro
• Modelagem espacial
• Random Forest