A dinâmica da água no perfil envolve processos que nem sempre podem ser descritos por medições pontuais. A umidade varia com a profundidade, enquanto as raízes alteram a intensidade da extração ao longo do tempo.
Sakar e colaboradores (2026) desenvolveram um método com redes neurais informadas por princípios físicos (physics-informed neural networks, ou PINNs) para representar o fluxo de água em solo não saturado e estimar a extração radicular.
O método integra equações de fluxo de água a informações hidrogeofísicas. Os pesquisadores utilizaram um conjunto de dados sintéticos, construído a partir de simulações numéricas de tomografia de resistividade elétrica e sensores pontuais.
Nas condições avaliadas, a rede reconstruiu o campo de saturação com coeficiente de determinação (R²) de 0,98 e raíz do erro quadrático médio (RMSE) de 0,035. Os resultados demonstram o potencial da abordagem para representar a dinâmica hídrica do solo, embora sua aplicação em sistemas agrícolas ainda dependa de validação com dados de campo.
Por que isso importa para você?
A proposta aponta um caminho para combinar medições e modelos físicos a fim de compreender processos que acontecem abaixo da superfície. No futuro, esse tipo de ferramenta poderá auxiliar o estudo de padrões de extração de água, o ajuste de modelos agrícolas e a avaliação de situações de estresse hídrico.
Antes do uso operacional, será necessário demonstrar seu desempenho com dados reais, em solos e culturas compatíveis com as condições de aplicação.
