Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão

Abstract

Um problema emergente para a segurança hídrica consiste nas consequências da eutrofização sobre a qualidade das águas. Metodologias de regressão convencionais não têm sido suficientes para explicar satisfatoriamente a complexidade da relação entre as variáveis hidrológicas e limnológicas desse processo. Nessa perspectiva, esta pesquisa buscou identificar preditores para variáveis indicadoras de eutrofização (cianobactérias, clorofila a, nitrogênio, fósforo e medição em disco de Secchi), por meio das relações destas entre si e entre 17 variáveis fisiográficas e climáticas das bacias hidrográficas de 155 reservatórios do semiárido brasileiro. Aplicou-se um método de aprendizado de máquina com o algoritmo classification and regression trees para árvores de decisão. Os resultados revelaram que os indicadores de eutrofização estão intrinsecamente relacionados entre si, de maneira especial as concentrações de clorofila a com os demais. A variabilidade da vazão afluente repercutiu no aumento da concentração de cianobactérias; a redução do volume de água armazenado gerou aumento da concentração de nitrogênio e fósforo; e a densidade de drenagem gerou aumento da concentração de nitrogênio. As concentrações de nitrogênio superiores a 5 mg.L-1 apresentaram consequências representativas sobre a clorofila a, a qual esteve fortemente associada às cianobactérias. O volume de água armazenado, a precipitação e a vazão afluente aos reservatórios também foram preditores da transparência das águas. Apesar de os índices de performance do modelo apontarem para margens de erro amplas para os conjuntos de dados com elevados coeficientes de variação, a aplicação de árvores de decisão pode auxiliar no entendimento de processos ocorridos e no planejamento de ações estratégicas para a governança hídrica. An emerging issue for water security is the consequences of eutrophication on water quality. Conventional regression methodologies have not been sufficient to satisfactorily explain the complexity of the relationship between the hydrological and limnological variables of this process. In this sense, this research aimed to identify predictors for eutrophication variables (cyanobacteria, chlorophyll-a, nitrogen, phosphorus, and Secchi disk measurement), through their relationships with each other and between 17 physiographic and climatic variables of the watersheds of 155 reservoirs in the Brazilian semiarid region. A machine learning method was applied with the classification and regression trees algorithm for decision trees. The results revealed that the eutrophication indicators are intrinsically related to each other, especially the concentrations of chlorophyll-a with the others. The variability of the inflow resulted in an increase in the concentration of cyanobacteria; the reduction in the volume of stored water generated an increase in the concentration of nitrogen and phosphorus; and, the drainage density generated an increase in the concentration of nitrogen. Nitrogen concentrations greater than 5 mg.L-1 had significant consequences on chlorophyll-a, which was strongly associated with cyanobacteria. The volume of stored water, precipitation and the inflow to the reservoirs were also predictors of water transparency. Although the model’s performance indexes indicate wide margins of error for datasets with high coefficients of variation, decision trees can help in understanding the processes that have taken place and in planning strategic actions for water governance.