Investigación

La IA ayuda a predecir proliferaciones de cianobacterias

- Según un estudio de la Complutense y la UAM

MADRID
SERVIMEDIA

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, desarrolló un sistema con Inteligencia Artificial (IA) de alerta temprana para predecir la proliferación masiva de cianobacterias.

Según informó la UAM, 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 estuvieron monitorizando toda la columna de agua, proporcionando una base de datos “valiosa” para el desarrollo del sistema predictivo.

Según explicó la investigadora de Biología de la UAM Claudia Fournier, desarrollaron "un método sencillo, pero extremadamente robusto” que permite predecir el momento y la intensidad de los “afloramientos de cianobacterias”.

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 y aprendizaje profundo, como las redes neuronales con memoria a corto y largo plazo (LSTM).

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).

(SERVIMEDIA)
21 Oct 2024
AGG/gja