Aprimorando a previsão da salinidade do estuário: uma abordagem baseada em Aprendizado de Máquina e Aprendizado Profundo

Como ecossistemas de transição críticos, os estuários enfrentam a ameaça cada vez mais urgente da intrusão de cunha salina, que impacta seu equilíbrio ecológico, bem como as atividades dependentes dos humanos. Prever com precisão a salinidade do estuário é essencial para o gerenciamento de recursos hídricos, preservação de ecossistemas e para garantir um desenvolvimento sustentável ao longo das costas. Neste estudo, investigamos a aplicação de diferentes modelos de aprendizado de máquina e aprendizado profundo para prever níveis de salinidade em ambientes estuarinos. Aproveitando diferentes técnicas, incluindo Random Forest, Least-Squares Boosting, Rede Neural Artificial e redes de Memória de Longo e Curto Prazo, o objetivo foi aprimorar a precisão preditiva para melhor entender a complexa interação de fatores que influenciam a dinâmica da salinidade estuarina. O estuário do Rio Pô (Po di Goro), que é um dos principais pontos críticos de intrusão de cunha salina, foi selecionado como a área de estudo. Análises comparativas de modelos de aprendizado de máquina com o modelo baseado em física de caixa de estuário (EBM) de última geração e modelos Híbrido-EBM foram realizadas para avaliar o desempenho dos modelos. Os resultados destacaram uma melhoria no desempenho do aprendizado de máquina, com uma redução no RMSE (de 4.22 psu obtido pelo EBM baseado em física para 2.80 psu obtido pelo LSBoost-Season) e um aumento na pontuação R2 (de 0.67 obtida pelo EBM baseado em física para 0.85 pelo LSBoost-Season), calculado no conjunto de teste. Também exploramos o impacto de diferentes variáveis e suas contribuições para as capacidades preditivas dos modelos. No geral, este estudo demonstra a viabilidade e eficácia das abordagens baseadas em ML para estimar níveis de salinidade devido à intrusão de cunha salina dentro dos estuários. As percepções obtidas a partir deste estudo podem apoiar significativamente estratégias de gerenciamento inteligente, não apenas no estuário do Rio Pô, mas também em outras localizações.