Reino Unido – La inteligencia artificial puede mejorar la monitorización remota de las masa de agua, destacando los cambios de calidad debido al cambio climático o la contaminación.
Los investigadores de la University of Stirling desarrollaron un nuevo algoritmo, conocido como el método de “meta-aprendizaje”, para analizar los datos directamente desde los sensores satelitales, lo que facilita que los gerentes de zonas costeras, ambientales y de la industria monitoreen problemas como la floraciones de algas nocivas o “mareas rojas” (HAB) y la posible toxicidad en mariscos y peces.
Las agencias de protección ambiental y los organismos de la industria monitorean actualmente el “estado trófico” del agua, su productividad biológica, como un indicador de la salud del ecosistema.
Naturalmente, las aguas lénticas como los lagos son emisores significativos de gases de efectos invernaderos como dióxido de carbono (CO2), óxido nitroso (N2O) y metano (CH4). El aumento de la eutrofización debido al cambio climático se espera que incremente el metano acuático en 30 a 90% en el próximo siglo.
Se estima que las “mareas rojas” le cuestan a la industria de pescados y mariscos £1.4 millones por año, y un solo evento HAB en Noruega mató a ocho millones de salmones en 2019, con un valor directo de más de £74 millones.
Desafío
El autor líder Mortimer Werther, investigador de doctorado en ciencias biológicas y ambientales de la Faculty of Natural Sciences de la University of Stirling, manifestó: “Actualmente, los sensores montados en satélites, como el Ocean and Land Instrument (OLCI), miden las concentraciones de fitoplancton utilizando un pigmento óptico llamado clorofila-a. Sin embargo, recuperar la clorofila-a a través de la naturaleza diversa de las aguas globales es metodológicamente desafiante”.
“Hemos desarrollado un método que no requiere la recuperación de clorofila-a y nos permite estimar el estado de salud del agua directamente a partir de la señal medida en el sensor remoto”.
La eutrofización y la hipereutrofización suelen ser causadas por un aporte excesivo de nutrientes, por ejemplo, de prácticas agrícolas, descarga excesiva de efluentes, o la producción de alimentos y energía.
En las aguas impactadas, las “mareas rojas” son comunes y las cianobacterias pueden producir cianotoxinas que afectan la salud humana y animal. En muchos lugares, estas floraciones algales son motivo de preocupación para las industria de la acuicultura de peces y mariscos.
Monitorear y evaluar
Werther manifestó: “Para comprender el impacto del cambio climático en los ambientes acuáticos de agua dulce como los lagos, muchos de los cuales sirven como recursos para el agua potable, es esencial que monitoreemos y evaluemos los indicadores ambientales clave, como el estado trófico, a escala global con alta frecuencia espacial y temporal.
“Esta investigación financiada por el programa Horizon 2020 de la Unión Europea, es la primera demostración de que el estado trófico de las complejas aguas continentales y costeras se puede aprender directamente mediante algoritmos de aprendizaje automático a partir de las mediciones de reflectancia OLCI. Nuestro algoritmo puede producir estimaciones para todos los estados tróficos en imágenes adquiridas por OLCI sobre las masas de aguas en todo el mundo”.
“Nuestro método supera a un enfoque de vanguardia comparable en un 5-12% en promedio en todo el espectro de estados tróficos, debido a que también elimina la necesidad de elegir el algoritmo correcto para la observación del agua. Este estima el estado trófico con más del 90% de precisión para aguas eutróficas e hipereutróficas muy afectadas”.
El estudio colaborativo se llevó a cabo con cinco socios de la investigación y la industria: el Dr Stefan G.H. Simis de Plymouth Marine Laboratory; Harald Krawczyk de la German Aerospace Center; Dr Daniel Odermatt del Swiss Federal Institute of Aquatic Science and Technology; Kerstin Stelzer de Brockmann Consult y Oberon Berlage de Appjection (Amsterdam).
Referencia (acceso abierto):
Mortimer Werther, Evangelos Spyrakos, Stefan G.H. Simis, Daniel Odermatt, Kerstin Stelzer, Harald Krawczyk, Oberon Berlage, Peter Hunter, Andrew Tyler. Meta-classification of remote sensing reflectance to estimate trophic status of inland and nearshore waters. ISPRS Journal of Photogrammetry and Remote Sensing,
Volume 176, 2021, Pages 109-126, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs.2021.04.003.