O projeto H2OPTIM.AI avançou para uma nova etapa operacional com o arranque das campanhas de recolha de amostras e dados no terreno, marcando o progresso da iniciativa tecnológica dedicada à gestão e ao tratamento de água em Portugal.
Com um financiamento global de aproximadamente 1,3 milhões de euros assegurado pelo programa NORTE 2030 e calendarização prevista até 2029, a iniciativa cruza inteligência artificial, registos históricos e observações empíricas para otimizar os processos de tratamento e conferir maior capacidade preditiva aos sistemas.
Foco na qualidade do rio Douro
A intervenção concentra-se na monitorização da água captada no rio Douro, incidindo especificamente nas zonas de Abelhal e Lever, com o propósito de detetar com antecedência variações que possam interferir na operação da Estação de Tratamento de Água de Lever.
Desde o lançamento oficial da iniciativa, em abril, os parceiros do consórcio — constituído pelas Águas do Douro e Paiva, pela SGS Portugal e pelo DataCoLAB — têm vindo a estruturar as bases técnicas, inventariar os dados pré-existentes e delinear os parâmetros de monitorização necessários.
Campanha de recolha estendida a um ano
O plano entra agora num momento determinante com a obtenção regular de amostras nos dois locais estratégicos do troço terminal do rio Douro, um processo que se estenderá ao longo de doze meses para consolidar a caracterização hídrica e validar os futuros modelos preditivos.
Em complemento à análise da água, as equipas realizaram colheitas de sedimentos ao longo das margens fluviais para mapear os solos envolventes, identificar comunidades de microrganismos e rastrear a presença de contaminantes, obtendo assim um retrato ambiental mais abrangente.
Integração de dados e perspetiva futura
Em simultâneo, decorre o processamento de bases de dados operacionais e históricas referentes à qualidade da água e aos procedimentos aplicados na ETA de Lever, cruzando esta informação com os registos obtidos diretamente no habitat natural.
A informação agregada será tratada para alimentar algoritmos capazes de reconhecer tendências e prever flutuações na qualidade do recurso, antecipando pressões decorrentes de fatores climáticos ou da intervenção humana e apoiando a tomada de decisão técnica nas estações de tratamento.
