Investigadores mejoraron la predicción estacional temprana de las floraciones de algas nocivas mediante el uso de los patrones climáticos a gran escala.
Las Floraciones de Algas Nocivas (FAN), o mareas rojas, son colonias de fitoplancton que pueden dañar el ecosistema acuático y la salud humana. La mortandad de peces, los cierres de extracción de mariscos y la renuencia de los consumidores a comer mariscos a menudo causada por estas floraciones le cuestan a los EE.UU un promedio de $4.6 mil millones al año.
Aprendizaje automático para predecir los FAN
Un nuevo estudio que involucra a Florida Tech muestra que un enfoque novedoso de aprendizaje automático que utiliza patrones climáticos globales puede mejorar la predicción estacional de las floraciones algales nocivas.
Esta mejora podría significar más tiempo para que los formuladores de políticas consideren y adopten estrategias adecuadas de planificación y mitigación, como restricciones en la recolección, y ayudar a monitorear las toxinas en los mariscos para mantener los productos contaminados fuera del mercado, informan los investigadores.
El estudio “Improved seasonal prediction of harmful algal blooms using large-scale climate indices,” publicado en Nature journal Communications Earth and Environment, descubrió que ingresar patrones climáticos globales en un marco basado en aprendizaje automático mejoró la predicción estacional de las floraciones de algas nocivas en el lago Erie.
Los investigadores también encontraron que el uso de datos de patrones climáticos permitió que la predicción estacional mejorada se completara antes de lo habitual.
“Cualquier progreso en la comprensión y predicción de las FAN puede tener un impacto significativo en los EEUU y en todo el mundo”, manifestó Pallav Ray, meteorólogo y profesor asociado de ingeniería oceánica y ciencias marinas en Florida Tech, y coautor del estudio.
Convencionalmente, la predicción de las floraciones de algas nocivas se realiza utilizando información sobre productos químicos de industrias y tierras agrícolas que se transportan a los cuerpos de agua a través de la escorrentía.
No obstante, se ha descubierto que las predicciones de FAN que utilizan estos datos químicos como el principal impulsor son menos precisas durante los años de floración extrema.
Uso de patrones climáticos
La nueva investigación descubrió que cuando se utilizó un conjunto de patrones climáticos en un enfoque novedoso de aprendizaje automático junto con esos datos químicos, la precisión de la predicción de la floración de algas nocivas sobre el lago Erie mejoró drásticamente.
Un número creciente de cuerpos de agua, incluida la laguna India River, se ven gravemente afectados por la carga excesiva de nutrientes.
El lago Erie se ve afectado en su cuenca debido a la presencia de grandes instalaciones de fabricación y extensas tierras agrícolas. Esto ha llevado a floraciones cada vez más grandes y profundas en las últimas décadas.
El estudio también encontró que las estructuras océano-atmósfera a gran escala son claramente diferentes durante los años de floraciones de algas nocivas leves, en comparación con los FAN severos, lo que sugiere la influencia de la circulación a gran escala en la evolución estacional de las floraciones de algas nocivas sobre el lago Erie.
“Se espera que estos resultados ayuden a extender el tiempo de espera y mejorar la predicción estacional de FAN no solo en el lago Erie sino también en otros cuerpos de agua en todo el mundo donde los datos químicos pueden no estar disponibles”, destacó Ray.
Conclusión
La mejora en la predicción estacional temprana puede brindar información oportuna a los formuladores de políticas para adoptar estrategias adecuadas de planificación y mitigación, como restricciones en la recolección y ayudar a monitorear las toxinas en los mariscos para mantener los productos contaminados fuera del mercado.
El autor principal, Mukul Tewari, científico atmosférico en el IBM Thomas J. Watson Research Center en Yorktown Heights, New York, dijo que la investigación también destaca la importancia y el valor de tener un equipo de investigación variado.
“Cualquier progreso significativo en la predicción de la floración de algas nocivas requiere una colaboración interdisciplinaria entre expertos en FAN, ciencia climática, aprendizaje automático y ciencias computacionales y de datos”, concluye.
Referencia (acceso libre)
Tewari, M., Kishtawal, C.M., Moriarty, V.W. et al. Improved seasonal prediction of harmful algal blooms in Lake Erie using large-scale climate indices. Commun Earth Environ 3, 195 (2022). https://doi.org/10.1038/s43247-022-00510-w
