INTELIGÊNCIA ARTIFICIAL E IOT PARA MONITORAMENTO INTELIGENTE DE CIANOBACTÉRIAS EM MANANCIAIS DE ABASTECIMENTO PÚBLICO: UMA REVISÃO SISTEMÁTICA DE LITERATURA

A intensificação de florações de algas nocivas (HABs) em mananciais de abastecimento público compromete a segurança hídrica e a saúde coletiva. Métodos tradicionais de monitoramento possuem alta latência e custo elevado, demandando soluções tecnológicas ágeis. Sendo assim, este estudo propõe-se a investigar as contribuições da Inteligência Artificial (IA) integrada à Internet das Coisas (IoT) para a detecção e predição de florações de cianobactérias em mananciais. Seguindo o protocolo PRISMA, buscou-se os termos "Environmental factors, Monitoring Technologies, Analysis Methods Organisms e Internet of Things" nas bases Scopus, Web of Science e Google Scholar (2021-2025). Após refinamento, foram selecionados 6 estudos com experimentações empíricas de modelos de Machine Learning (ML) e utilização de IoT aplicados à predição de cianobactérias em mananciais de abastecimento público. Os achados demonstraram que algoritmos de Machine Learning (como Random Forest, XGBoost) e redes neurais profundas (como LSTM) superam modelos estatísticos convencionais na precisão preditiva. A técnica de Virtual Sensing destaca-se como alternativa de baixo custo para estimar nutrientes via dispositivos IoT. Observou-se ainda uma correlação direta entre as florações detectadas e o aumento de desfechos epidemiológicos agudos na população. Neste contexto, acredita-se que a convergência entre IoT e Machine Learning possibilitará a transição para uma gestão hídrica proativa. A infraestrutura observada não apenas otimiza o monitoramento ambiental, mas atua como um sistema de alerta precoce vital para a proteção da saúde pública em áreas urbanas.