Predição da vazão e da qualidade da água subterrânea em região semiárida

Abstract

As águas subterrâneas desempenham papel estratégico para a segurança hídrica global, especialmente em regiões semiáridas, onde a disponibilidade de recursos superficiais é limitada e irregular. No norte de Minas Gerais, essa dependência é intensificada pelo crescimento das demandas urbanas e agrícolas, exigindo estratégias integradas para avaliação da quantidade e qualidade desse recurso. A área de estudo abrange a região norte do estado de Minas Gerais, marcada por clima semiárido, solos heterogêneos, relevo variado e forte dependência das águas subterrâneas. Essas características tornam o território particularmente sensível a pressões antrópicas e ambientais, destacando a importância de investigações técnico-científicas voltadas à gestão sustentável dos aquíferos locais. A metodologia adotada combinou análise bibliométrica, modelagem espacial da vazão de poços tubulares e avaliação preditiva da qualidade da água subterrânea para fins de irrigação. A análise bibliométrica baseou-se em publicações indexadas na base Scopus entre 2000 e 2024, evidenciando as principais tendências, colaborações e abordagens científicas globais sobre qualidade das águas subterrâneas. Para a modelagem quantitativa, foram utilizados 3.700 registros de vazão georreferenciados obtidos no Sistema de Informações de Águas Subterrâneas (SIAGAS), integrados a camadas ambientais representando fatores condicionantes (clima, geologia, topografia, uso do solo). Na avaliação qualitativa, foram analisadas 672 observações obtidas pelo Instituto Mineiro de Gestão das Águas (IGAM) entre 2017 e 2023, distribuídas em períodos secos e chuvosos, com base em 95 pontos de coleta. A qualidade da água foi avaliada por meio de índices como Condutividade Elétrica (CE), Carbonato de sódio residual (RSC), Razão de adsorção de sódio (RAS), Porcentagem de sódio (%Na), Proporção Kelly (KR) e Índice de Qualidade da água subterrânea para fins de irrigação (IQAi). Também foram aplicadas análises multivariadas (Componentes Principais (PCA) e a Análise de Agrupamento Hierárquico (HCA)), interpolação espacial (IDW) e algoritmos de aprendizado de máquina (MLR, RNA, RF, KKNN) para modelar os padrões de salinidade. Os resultados revelaram um crescimento expressivo na produção científica internacional a partir de 2020, com destaque para o uso crescente de abordagens integrativas que combinam geoprocessamento e inteligência artificial. A modelagem espacial da vazão demonstrou elevado desempenho do algoritmo KKNN, que obteve R² = 0,751, RMSE = 0,150, MAE = 0,094 e LCCC = 0,862. As variáveis climáticas, sobretudo precipitação e radiação solar em meses chuvosos, mostraram-se determinantes para a recarga e produtividade dos poços. A análise espacial indicou maior potencial aquífero em domínios carbonáticos e psamíticos, enquanto litologias fraturadas máficas e félsicas apresentaram menor vazão. Por outro lado, a análise estatística não indicou correlação significativa entre os índices de qualidade da água subterrânea e os volumes de precipitação, sugerindo que os padrões geoquímicos observados são majoritariamente controlados por características locais do aquífero e não por variações sazonais de chuva. Em relação à qualidade da água, a maioria das amostras foi classificada como adequada para irrigação, embora valores extremos de Cl, Na e SO² indiquem a necessidade de monitoramento contínuo. O modelo Random Forest destacou-se na predição de índices derivados de múltiplas interações iônicas, como %Na e KR. De forma geral, os resultados reforçam o potencial das geotecnologias e do aprendizado de máquina para compreender, mapear e prever padrões de disponibilidade e qualidade da água subterrânea em regiões semiáridas. A abordagem integrada adotada nesta tese oferece subsídios técnicos relevantes para o planejamento hídrico, a definição de políticas públicas e a adoção de práticas sustentáveis no uso dos recursos subterrâneos. Palavras-chave: água subterrânea; regiões semiáridas; aprendizado de máquina; modelagem espacial; salinidade; bibliometria.Groundwater plays a strategic role in global water security, especially in semi-arid regions where the availability of surface water resources is limited and irregular. In Northern Minas Gerais, this dependency is intensified by the growing urban and agricultural demands, requiring integrated strategies for assessing both the quantity and quality of this resource. The study area encompasses the northern region of the state of Minas Gerais, characterized by a semi-arid climate, heterogeneous soils, varied relief, and significant reliance on groundwater. These characteristics make the territory particularly sensitive to anthropogenic and environmental pressures, highlighting the importance of technical-scientific investigations focused on the sustainable management of local aquifers. The methodology combined bibliometric analysis, spatial modeling of tubular well discharge, and predictive assessment of groundwater quality for irrigation purposes. The bibliometric analysis was based on publications indexed in the Scopus database from 2000 to 2024, highlighting global scientific trends, collaborations, and approaches related to groundwater quality. For the quantitative modeling, 3,700 georeferenced well discharge records were obtained from the Groundwater Information System (SIAGAS) and integrated with environmental layers representing conditioning factors (climate, geology, topography, land use). For the qualitative assessment, 672 observations were analyzed from the database of the Minas Gerais Institute of Water Management (IGAM) collected between 2017 and 2023, distributed across dry and wet seasons, based on 95 sampling points. Water quality was evaluated using indices such as Electrical Conductivity (EC), Residual Sodium Carbonate (RSC), Sodium Adsorption Ratio (SAR), Sodium Percentage (%Na), Kelly’s Ratio (KR), and the Groundwater Quality Index for Irrigation (GWQI). Additionally, multivariate analyses (Principal Component Analysis – PCA, and Hierarchical Cluster Analysis – HCA), spatial interpolation (IDW), and machine learning algorithms (MLR, ANN, RF) were applied to model salinity patterns. The results revealed a significant increase in international scientific production after 2020, with a notable rise in integrative approaches combining geoprocessing and artificial intelligence. Spatial modeling of groundwater discharge demonstrated high performance of the KKNN algorithm, which achieved R² = 0.751, RMSE = 0.150, MAE = 0.094, and LCCC = 0.862. Climatic variables, especially precipitation and solar radiation during rainy months, proved to be key drivers of recharge and well productivity. Spatial analysis indicated higher aquifer potential in carbonate and psammitic domains, while fractured mafic and felsic lithologies showed lower yields. On the other hand, statistical analysis did not indicate a significant correlation between groundwater quality indices and precipitation volumes, suggesting that the observed geochemical patterns are primarily controlled by local aquifer characteristics rather than seasonal rainfall variability. Regarding water quality, most samples were classified as suitable for irrigation, although extreme values of Cl, Na, and SO² highlight the need for continuous monitoring. The Random Forest model showed the best predictive performance for indices derived from complex ionic interactions, such as %Na and KR. Overall, the results reinforce the potential of geotechnologies and machine learning to understand, map, and predict patterns of groundwater availability and quality in semi-arid regions. The integrated approach adopted in this thesis provides relevant technical support for water planning, public policy formulation, and the implementation of sustainable groundwater management practices. Keywords: groundwater; semi-arid regions; machine learning; spatial modeling; salinity; bibliometrics.