Artigo: Lucas Tonaco*
________________________
O Indicador de Qualidade da Água (IQA) é bastante empregado para reunir vários fatores ambientais em um número só, que seja simples de entender e divulgar. Mesmo sendo popular, o jeito de fazer isso tem problemas importantes, como depender de opiniões, gerar dúvidas e ser muito simplificado. Este estudo analisa profundamente os principais tipos de IQA, mostrando dificuldades como a escolha aleatória de fatores, problemas na junção de dados e o efeito de “apagamento” (eclipsing). Considerando a Lei de Goodhart, é discutido como usar o IQA como objetivo de gestão pode prejudicar sua utilidade para medir a qualidade do meio ambiente. Depois, são analisadas novas formas de usar o aprendizado de máquina (ML), especialmente redes neurais LSTM, que conseguem resolver problemas antigos ao usar o aprendizado automático, a modelagem do tempo e previsões confiáveis. A conclusão é que juntar os métodos tradicionais com a inteligência artificial pode trazer ferramentas mais flexíveis, seguras e úteis para cuidar dos recursos de água de forma sustentável.
Palavras-chave: Índice de Qualidade da Água. IQA. Gestão hídrica. Aprendizado de Máquina. Lei de Goodhart.
Para assegurar a qualidade da água e sua gestão, necessitamos de ferramentas que combinem rigor científico com acessibilidade para administradores públicos e a população em geral. Dentro desse cenário, o Índice de Qualidade da Água (IQA) ganhou destaque como um recurso fundamental, convertendo dados físico-químicos e biológicos em um único número (UDDIN; NASH; OLBERT, 2021). Embora útil, a simplificação que os IQAs promovem suscita debates sobre epistemologia e metodologia, principalmente no que tange à sua exatidão e capacidade de representação. Adicionalmente, com os progressos na ciência de dados, novas abordagens como o aprendizado de máquina propiciam alternativas para mitigar as restrições inerentes a esses índices (PREDICTING…, 2025). As primeiras iniciativas para criar indicadores de qualidade da água datam do século XIX. Em 1965, Horton criou o primeiro modelo organizado, composto por dez parâmetros. Mais tarde, Brown, junto à National Sanitation Foundation (NSF), desenvolveu o NSF-IQA, tido como um dos mais consistentes e usados em todo o mundo. No Canadá, o CCME-IQA foi introduzido em 2001, destacando-se por oferecer mais liberdade na seleção de parâmetros (UDDIN; NASH; OLBERT, 2021). Segundo Uddin, Nash e Olbert (2021), atualmente existem 21 modelos de IQA, com sete deles concentrando a maioria das aplicações, principalmente em rios, que correspondem a 82% dos estudos analisados.
Os modelos tradicionais de WQI geralmente seguem quatro etapas principais:
- Seleção de parâmetros (ex.: pH, turbidez, oxigênio dissolvido, coliformes fecais);
- Conversão em sub-índices, normalizando os valores;
- Atribuição de pesos a cada parâmetro;
- Agregação final, que resulta no índice único.
Um dos grandes desafios apontados nos estudos (UDDIN; NASH; OLBERT, 2021) reside na natureza pessoal das fases de criação, principalmente ao escolher os critérios e seus respectivos pesos.
Os modelos mais antigos “pecam” pela subjetividade das decisões, pela falta de certeza em cada passo e pelo efeito eclipsing, onde certos critérios importantes acabam escondidos por outros com maior influência. Tal fenômeno se conecta à Lei de Goodhart, que diz: “quando uma medida vira meta, deixa de ser eficaz”. Assim, ao elevarem o IQA à posição de objetivo gerencial (tipo, “IQA acima de 70”), os responsáveis podem focar em melhorar só os critérios de maior peso na fórmula, deixando de lado outros tão importantes para o bem do meio ambiente (UDDIN; NASH; OLBERT, 2021). Com o avanço da inteligência artificial, surgem formas mais eficientes de lidar com os problemas antigos do IQA. Pesquisas recentes mostram que modelos de aprendizado de máquina — como Random Forest (RF), Decision Trees (DT), Support Vector Machine (SVM) e, em especial, Long Short-Term Memory (LSTM) — trazem resultados bem melhores (PREDICTING…, 2025).
Diferente dos modelos de sempre, que precisam de especialistas para definir critérios e pesos, os algoritmos de ML descobrem automaticamente a importância de cada fator, olhando os padrões reais nos dados. O problema de juntar tudo, que esconde critérios importantes, diminui nas redes LSTM, que conseguem entender relações complexas e não lineares entre os fatores ambientais. Ao contrário dos índices tradicionais, que são meio parados, a LSTM pega as mudanças sazonais e os efeitos de eventos climáticos extremos, com um coeficiente de determinação acima de 0,99 e um erro quadrático médio menor que 0,07 (PREDICTING…, 2025). Os modelos baseados em ML podem ser usados em sistemas que preveem o futuro em tempo real, permitindo agir antes na gestão da água.
Analisar os Índices de Qualidade da Água (IQAs) convencionais em contraste com as técnicas de aprendizado de máquina explicita uma mudança na forma como entendemos o conhecimento. Enquanto os métodos tradicionais se baseiam em cálculos fixos e no julgamento de especialistas, as abordagens de machine learning proporcionam uma geração de conhecimento guiada por dados, mais adaptável e com menor propensão a influências de cada local. No entanto, o perigo de simplificar demais ainda existe. A combinação de modelos clássicos e preditivos surge como a solução mais promissora: os primeiros mantêm sua importância na comunicação e na legislação, enquanto os últimos oferecem um suporte técnico mais exato para as escolhas estratégicas.
Os IQAs são ferramentas cruciais para a administração da qualidade da água, mas exibem limitações na forma como o conhecimento é construído, o que não podemos ignorar. A Lei de Goodhart nos adverte sobre o perigo de reduzir a gestão ambiental a objetivos quantitativos, o que pode prejudicar a saúde dos ecossistemas. As contribuições do aprendizado de máquina representam um progresso considerável, possibilitando projeções mais seguras, flexíveis e aplicáveis. Sendo assim, sugere-se uma estratégia mista, na qual os modelos de sempre e os algoritmos preditivos sejam usados juntos para uma administração sustentável dos recursos hídricos.
Referências
PREDICTING and investigating water quality index by robust machine learning methods. [S.l.]: Elsevier, 2025.
UDDIN, Md. Galal; NASH, Stephen; OLBERT, Agnieszka I. A review of water quality index models and their use for surface water quality assessment. Ecological Indicators, v. 122, p. 107218, 2021.
* Lucas Tonaco – secretário de Comunicação da FNU, dirigente do Sindágua-MG, acadêmico em Antropologia Social e Ciências Humanas da Universidade Federal de Minas Gerais (UFMG)
