Uso de Inteligência Artificial para Análise e Previsão da Qualidade da Água em Corpos Hídricos

Este trabalho investiga a aplicação de técnicas de aprendizado de máquina para análise e predição da qualidade da água em áreas impactadas pelo rompimento da Barragem de Fundão na Bacia do Rio Gualaxo do Norte (Mariana/MG). A pesquisa estruturou-se em duas fases complementares: análise exploratória não supervisionada mediante redução dimensional (PCA, UMAP, t-SNE) e clusterização (K-Means, HDBSCAN), seguida de modelagem preditiva supervisionada com três algoritmos (Random Forest, Gradient Boosting Machines e Multi-Layer Perceptron). Utilizou-se base de dados de Santos (2018) contendo 324 amostras de água coletadas em 27 pontos ao longo de 12 campanhas de campo. A análise não supervisionada identificou configuração ótima (Bloco C, 8 variáveis) com coeficiente de silhueta excepcional de 0,834 e estabilidade temporal de 81,2%, evidenciando agrupamentos naturais robustos frente à variabilidade sazonal. A modelagem supervisionada demonstrou superioridade do Random Forest, que alcançou acurácia de 96,77% no cenário de alta pureza de rótulos (151 amostras), superando o baseline de Santos (2018) em 2,56 pontos percentuais. Técnicas de inteligência artificial explicável (SHAP e LIME) identificaram Fósforo Total e Escherichia coli como variáveis mais discriminativas, com contribuição combinada superior a 50% das decisões. Análise crítica revelou que qualidade de rótulos domina quantidade de dados: cenário com 151 amostras e pureza ≥70% superou configuração com 303 amostras de pureza moderada em 11,52 pontos percentuais. Demonstrou-se empiricamente o fenômeno de vazamento de dados (data leakage) quando coordenadas de projeções dimensionais são utilizadas como variáveis preditoras, fundamentando exclusão deliberada dessas coordenadas para garantir generalização genuína. Os resultados validam aplicabilidade de modelos de aprendizado de máquina interpretáveis como ferramental para monitoramento ambiental pós-desastre, com implicações práticas para gestão de recursos hídricos e proposição de protocolo simplificado focado em variáveis-chave.