Aprendizado de Máquina para Gestão Proativa de Água Subterrânea
Para superar essas barreiras, os pesquisadores desenvolveram um pipeline de aprendizado de máquina projetado para prever categorias de níveis de água subterrânea. Este pipeline utiliza uma combinação de dados climáticos, registros hidrometeorológicos e atributos fisiográficos. O processamento desses dados é realizado através da estrutura de ensemble automatizado AutoGluon, que integra pré-processamento geoespacial, engenharia de atributos orientada pelo domínio e seleção automatizada de modelos.
A abordagem foi aplicada a um extenso conjunto de dados francês, compreendendo mais de 3.440.000 observações de mais de 1.500 poços. O modelo demonstrou desempenho promissor, alcançando pontuações F_1 ponderadas de 0,927 nos dados de validação. Em dados de teste distintos temporalmente, o modelo obteve uma pontuação F_1 ponderada de 0,67, indicando uma capacidade razoável de generalização.
Avaliações baseadas em cenários destacaram a utilidade prática do sistema para a criação de sistemas de alerta precoce e para auxiliar nas decisões de alocação de água, especialmente considerando as condições de mudança climática.
Os autores ressaltam que a implementação do modelo é de código aberto, fornecendo uma estrutura escalável que pode ser integrada a redes nacionais de monitoramento de água subterrânea. Isso possibilita a adoção de estratégias de gestão de água mais responsivas e baseadas em dados. O trabalho contribui para o avanço do uso de inteligência artificial e aprendizado de máquina na gestão ambiental e de recursos naturais.