Las floraciones algales nocivas (FAN) —responsables de daños ambientales, muertes masivas de peces, crisis económicas e incluso muertes humanas— están aumentando en frecuencia y gravedad a medida que la Tierra se calienta. Aunque algunos modelos informáticos pueden pronosticar blooms potenciales, su precisión es limitada por la cantidad de especies de algas que pueden florecer bajo diferentes detonantes ambientales, así como por la forma en que las distintas especies pueden solaparse entre sí.
Sin embargo, un equipo internacional de investigadores ha demostrado que el acoplamiento de tres modelos distintos, sumado a la contabilidad de cómo interactúan las diferentes especies de algas, puede mejorar significativamente las predicciones. Los investigadores, liderados por Fumito Maruyama, profesor del Center for Planetary Health and Innovation Science en el IDEC Institute de la Hiroshima University, publicaron su trabajo en la edición de marzo de la revista Ecological Informatics.
“Las floraciones algales nocivas son como conversaciones ecológicas, donde las interacciones entre especies y las señales ambientales dan forma a los resultados continuamente, en lugar de ser impulsadas por un solo factor dominante”, afirmó Maruyama. “Este estudio muestra que la integración de procesos físicos, interacciones ecológicas y enfoques de aprendizaje automático puede mejorar la precisión de la predicción”.
Conclusiones clave
- Predicción basada en interacciones: Las especies de fitoplancton no crecen aisladas; las interacciones biológicas pueden ser indicadores clave para predecir blooms específicos de Pseudo-nitzschia.
- Modelos de corto plazo: Para los productores de salmón y mejillón, los pronósticos de 1 a 2 semanas son los más prácticos para planificar cosechas preventivas y proteger activos.
- Eficacia del modelo EDM: El modelado dinámico empírico (EDM) logró una correlación de 0.733 en la predicción del grupo P. seriata en zonas específicas como Metri.
- Integración necesaria: No existe un modelo único perfecto; el éxito reside en acoplar modelos físicos de dispersión con inteligencia artificial y dinámica ecológica.
Millones perdidos por FAN en la última década
Las algas, plantas minúsculas, son una parte clave de los ecosistemas marinos, sirviendo de alimento para el plancton y otra vida acuática. No obstante, el calor o el exceso de nutrientes por la escorrentía de fertilizantes pueden provocar que las algas crezcan fuera de control, lo que agota el oxígeno en el agua y desequilibra el frágil ecosistema.
Esto ha tenido un impacto económico mayor en Chile, el segundo productor mundial de salmón y uno de los mayores exportadores de mejillones. Las floraciones algales nocivas han asolado al país en las últimas décadas, con una pérdida estimada de USD 1,000 millones solo en los últimos 10 años, según los investigadores.
“Los acuicultores de peces y mariscos tienen más probabilidades de beneficiarse de los pronósticos de FAN a corto plazo, de una o dos semanas, ya que la capacidad de planificar y cerrar las jaulas de peces antes de un bloom puede proteger su stock y aumentar la rentabilidad”, explicó Maruyama. “Sin embargo, existe una compensación: las predicciones de falsos positivos pueden llevar a una cosecha prematura y pérdida de ingresos”.
Tres modelos para blindar la Patagonia chilena
El proyecto Science and Technology Research Partnership for Sustainable Development – Monitoring of Algae in Chile (SATREPS-MACH) surgió de un esfuerzo colaborativo entre Chile y Japón —país que depende de Chile para tres cuartas partes de sus importaciones de salmón— para mejorar la comprensión y predicción de los blooms y evitar el desperdicio de alimentos.
Maruyama explicó que el equipo evaluó tres modelos desarrollados bajo SATREPS-MACH:
Parti-MOSA: El rastro físico de las algas
Este es un modelo físico-oceanográfico que simula el transporte de células mediante corrientes marinas, sin considerar inicialmente el crecimiento biológico. Basado en el marco MOSA, utiliza datos de temperatura, salinidad y vientos para calcular trayectorias de partículas en una resolución de 1 km. Es una herramienta vital para definir áreas de influencia potencial una vez detectada una abundancia crítica en el agua.
Mantente siempre informado
Únete a nuestras comunidades para recibir al instante las noticias, informes y análisis más importantes del sector acuícola.
LSTM: Inteligencia artificial y el «holobioma»
El segundo modelo emplea Inteligencia Artificial (IA), en particular redes neuronales de tipo Long Short-Term Memory (LSTM). Su particularidad es que fue entrenado con datos de monitoreo de series temporales que incluyen metabarcoding de eADN y parámetros ambientales. Los resultados preliminares sugieren que este modelo puede predecir con precisión la presencia de especies microeucariotas basándose únicamente en condiciones ambientales.
EDM: La sabiduría de las interacciones entre especies
A diferencia de los modelos estadísticos tradicionales que solo miran variables ambientales (como temperatura o nutrientes), el Empirical Dynamic Modeling (EDM) se centra en las interacciones especie-especie. Utilizando 30 años de datos del programa PROMOFI de INTESAL, el modelo identificó que géneros como Ceratium y Leptocylindrus actúan como «centinelas» o predictores de la aparición de Pseudo-nitzschia.
Las interacciones del plancton agudizan la precisión
Utilizando más de 30 años de datos observacionales de tres sitios de muestreo ambientalmente diferentes en Chile (Metri, Quellón y Melinka), con un enfoque en dos grupos de especies de Pseudo-nitzschia, los investigadores evaluaron la eficacia de los modelos.
Aunque el rendimiento varió según la ubicación y la especie, la precisión mejoró significativamente al incluir la interacción entre especies de plancton en los datos del modelo. Por ejemplo, se identificó que los géneros Ceratium y Leptocylindrus están comúnmente asociados con los grupos de Pseudo-nitzschia, sirviendo como indicadores biológicos.
“Los modelos individuales pueden capturar aspectos importantes de la dinámica de las FAN, pero cada uno tiene limitaciones”, señaló Maruyama. “Juntos, estos modelos abordan brechas críticas en el pronóstico en el complejo y poco estudiado entorno de la Patagonia chilena”.
¿Por qué fallan los modelos tradicionales?
La mayoría de los modelos de predicción de HABs se han centrado históricamente en una sola especie y en variables abióticas (nitrógeno, temperatura). Este estudio rompe esa tendencia al demostrar que el océano es un sistema dinámico donde la competencia y la facilitación entre especies dictan quién domina la comunidad.
El fenómeno de la «correlación espejismo» (donde dos variables parecen conectadas pero su relación cambia con el tiempo) es un obstáculo que el EDM logra superar al tratar el ecosistema como un sistema determinista no lineal. Sin embargo, los autores advierten que la predictibilidad varía según la ubicación: las zonas con mayor complejidad hidrodinámica, como Quellón, requieren integrar más variables ambientales para igualar la precisión de Metri.
Futuro del monitoreo operativo
El equipo planea refinar este enfoque incorporando variables ambientales adicionales y extendiendo los marcos a contextos regionales más amplios, incluidos los sistemas costeros de Japón. El objetivo final es desarrollar herramientas de pronóstico de FAN confiables y operativas para una alerta temprana efectiva y la reducción de riesgos en toda la industria acuícola global.
Conclusión
El desarrollo de este enfoque de modelado acoplado marca un hito en la informática ecológica. Al combinar la rapidez de los modelos físicos, el reconocimiento de patrones de la IA y la profundidad biológica del EDM, Chile está creando una infraestructura de datos capaz de proteger no solo su economía, sino también la seguridad alimentaria mundial.
La integración futura de dispositivos de imágenes en tiempo real con estos algoritmos podría reducir el retraso entre la toma de muestras y la emisión de alertas, permitiendo acciones preventivas en cuestión de horas en lugar de días.
El estudio contó con la participación de un equipo multidisciplinario. Además de Fumito Maruyama (afiliado también al Center for HOlobiome and Built Environment), los autores vinculados a la Hiroshima University son Ishara Uhanie Perera, So Fujiyoshi, Kyoko Yarimizu y Milko A. Jorquera.
Otros colaboradores incluyen a Daiki Kumakura y Shinji Nakaoka (Hokkaido University); Carolina Medel y Pablo Reche (Instituto de Fomento Pesquero – IFOP); Osvaldo Artal y Jacquelinne J. Acuña (Universidad de La Frontera); Oscar Espinoza-González y Leonardo Guzman (IFOP – CREAN); Felipe Tucca y Alexander Jaramillo-Torres (Instituto Tecnológico del Salmón – INTESAL); y Satoshi Nagai (Fisheries Technology Institute, Japan Fisheries Research and Education Agency).
Finalmente, el estudio fue apoyado por The Japan Society for the Promotion of Science y el programa Science and Technology Research Partnership for Sustainable Development (SATREPS).
Referencia (acceso abierto)
Perera, I. U., Fujiyoshi, S., Kumakura, D., Medel, C., Yarimizu, K., Artal, O., Reche, P., Espinoza-González, O., Guzman, L., Tucca, F., Jaramillo-Torres, A., Acuña, J. J., Jorquera, M. A., Nakaoka, S., Nagai, S., & Maruyama, F. (2026). A prototype coupled modeling approach for predicting harmful algal blooms: A case study in Chile. Ecological Informatics, 94, 103615. https://doi.org/10.1016/j.ecoinf.2026.103615
Editor de la revista digital AquaHoy. Biólogo Acuicultor titulado por la Universidad Nacional del Santa (UNS) y Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomados en Innovación Empresarial y Gestión de la Innovación. Posee amplia experiencia en el sector acuícola y pesquero, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA). Ha sido consultor senior en vigilancia tecnológica, formulador y asesor de proyectos de innovación, y docente en la UNS. Es miembro del Colegio de Biólogos del Perú y ha sido reconocido por la World Aquaculture Society (WAS) en 2016 por su aporte a la acuicultura.
