Científicos de las universidades Autónoma de Madrid (UAM) y Complutense de Madrid (UCM) han creado un sistema de alerta temprana basado en inteligencia artificial para predecir brotes masivos de cianobacterias en aguas dulces
Un equipo de investigadores de la Universidad Autónoma de Madrid (UAM) y de la Universidad Complutense de Madrid (UCM), en colaboración con expertos en microbiología, física y análisis de datos, ha desarrollado un sistema de alerta temprana para predecir la proliferación masiva de cianobacterias.
Los resultados, publicados en la revista Water Research, representan un avance significativo en la prevención de estos brotes, favoreciendo la preservación de los ecosistemas acuáticos y una gestión más eficiente del agua.
Las cianobacterias, que en muchos casos son tóxicas, suelen ser los principales microorganismos responsables de los blooms, o proliferaciones masivas de microalgas en aguas dulces. Estos blooms afectan tanto al equilibrio de los ecosistemas acuáticos como a la calidad del agua, comprometiendo su uso recreativo y su potabilidad. Por ello, los sistemas de alerta temprana son cruciales para detectar estas amenazas desde el inicio y mitigar los riesgos asociados.
Para su estudio, los investigadores utilizaron datos recogidos desde una plataforma flotante instalada en el embalse de Cuerda del Pozo, en Soria (España). Durante seis años, sensores montados en un perfilador automático han estado monitorizando toda la columna de agua, proporcionando una base de datos valiosa para el desarrollo del sistema predictivo.
"Hemos desarrollado un método sencillo, pero extremadamente robusto que permite predecir el momento y la intensidad de los afloramientos de cianobacterias”, explica Claudia Fournier, investigadora del Departamento de Biología de la UAM. “Para ello, solo se necesitan datos de la temperatura del agua, de la concentración de clorofila-a, que es un pigmento presente en todas las algas, y de la ficocianina, un pigmento específico de las cianobacterias en agua dulce”.
La metodología empleada incluyó un preprocesado flexible de los datos y el uso de modelos predictivos de diversa complejidad, incluyendo técnicas de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning), como las redes neuronales con memoria a corto y largo plazo (LSTM, por sus siglas en inglés).
La eficacia de los modelos se evaluó con periodos de predicción de entre 4 y 28 días, y el modelo LSTM logró una precisión del 90% en la predicción de los niveles de alerta, tanto para horizontes de predicción cortos (4 días) como para los más largos (28 días).
Referencia bibliográfica:
Claudia Fournier, Raúl Fernandez-Fernandez, Samuel Cirés, José A. López-Orozco, Eva Besada-Portas, Antonio Quesada (2024). “LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data”, Water Research (2024), doi: https://doi.org/10.1016/j.watres.2024.122553
