El nuevo sistema permite la implementación de algoritmos avanzados de Inteligencia Artificial en sistemas hídricos para la predicción de estos microorganismos, que en determinadas condiciones ambientales producen metabolitos tóxicos para la salud
Investigadores del departamento de Arquitectura de Computadores y Automática de la Universidad Complutense de Madrid (UCM) han desarrollado un innovador dispositivo de bajo coste (menos de 40 euros) capaz de implementar algoritmos avanzados de Inteligencia Artificial para predecir la proliferación de cianobacterias en sistemas hídricos con hasta 28 días de antelación.
Las cianobacterias son microorganismos presentes de forma natural en ríos, lagos y embalses. En determinadas condiciones ambientales, pueden experimentar un rápido crecimiento –conocido como bloom– y producir metabolitos tóxicos que representan un riesgo para la salud de animales y humanos, además de comprometer la calidad del agua para su uso doméstico e industrial.
El nuevo dispositivo desarrollado en la Universidad Complutense de Madrid se plantea como una herramienta preventiva eficaz: puede integrarse fácilmente en cualquier sistema de monitorización sin requerir conocimientos técnicos avanzados. Su funcionamiento es completamente autónomo: procesa los datos y genera las predicciones de manera automática.
El sistema utiliza redes neuronales poco profundas basadas en algoritmos de memoria a corto y largo plazo (LSTM). A diferencia de las redes profundas tradicionales, estas son más pequeñas, específicas y eficientes, lo que permite reducir el coste computacional. Además, antes de ser incorporada al dispositivo, la red neuronal es comprimida mediante discretización, reduciendo aún más su tamaño para facilitar su implementación.
El dispositivo se conecta como un complemento (add-on) a los sensores existentes en las boyas de monitorización. Recibe en tiempo real datos como la temperatura o la fluorescencia de la ficocianina, los procesa para ejecutar el modelo predictivo y transmite inalámbricamente tanto los datos originales como las predicciones.
Los resultados obtenidos muestran precisiones superiores al 70% en horizontes de predicción de hasta 28 días, un rendimiento que supera en un 20% al de otros algoritmos evaluados en el mismo dispositivo con redes neuronales profundas comprimidas. Estos avances han sido publicados en la revista científica Water Research, una de las más prestigiosas del mundo en investigación sobre recursos hídricos.
Referencia bibliográfico: Juan Sandubete-López, Raúl Fernandez-Fernandez, José A. López-Orozco, José L. Risco-Martín. Shallow learning model for long-term cyanobacterial bloom forecasting in real-time monitoring system. Water Research, Volume 287, Part A. 2025. DOI: 10.1016/j.watres.2025.124283
