Las cianobacterias pueden multiplicarse rápidamente en agua dulce y formar floraciones algales cuando prevalecen las condiciones favorables. Sin embargo, las floraciones de cianobacterias en los estanques de acuicultura son peligrosos para los organismos acuícolas, debido a que algunas especies pueden producir metabolitos secundarios tóxicos.
En este sentido, es crucial que el acuicultor pueda identificar los impulsores y desarrollar métodos para predecir las floraciones de cianobacterias en los estanques acuícolas.
Los investigadores de la Henan Normal University, de la Griffith University, del Zhengzhou Customs Technical Centre y Observation and Research Station on Water Ecosystem in Danjiangkou Reservoir of Henan Province analizaron los datos de monitoreo de 331 estanques de acuicultura en China y los aplicaron a dos modelos de aprendizaje automático (LASSO y RF) para predecir la abundancia de cianobacterias mediante la identificación de los impulsores claves.
Modelos de aprendizaje automático
Los modelos de aprendizaje automático son modelos estadísticos populares que vienen siendo usados para predecir las concentraciones de cianobacterias en aguas naturales.
Aunque diversos estudios han demostrado que los modelos de aprendizaje automático son factibles de usar para predecir las cianobacterias, los requerimientos de datos de prolongados períodos de monitoreo, los datos inaccesibles y la complejidad del modelo, hace difícil que los acuicultores los usen para predecir las cianobacterias en los estanques acuícolas.
En base a las necesidades de la gestión de los estanques de acuicultura se han desarrollado dos modelos de aprendizaje automático: el modelo de operador de selección y contracción mínima absoluta (LASSO) y el modelo de bosque aleatorio (RF), para predecir la abundancia de cianobacterias.
Recolección de datos
Los investigadores monitorearon 331 estanques de acuicultura de 80 granjas acuícolas ubicadas en la provincia de Henan en el centro de China.
En las granjas acuícolas se producen 12 especies diferentes entre las cuales se incluyen el bagre del canal, la carpa común, carpa herbívora, carpa plateada, camarón vannamei y tortugas.
Además, los investigadores registraron datos de parámetros de calidad del agua como la temperatura, alcalinidad, dureza, pH, conductividad eléctrica, compuestos nitrogenados, demanda química de oxígeno (DQO), entre otros.
Factibilidad de los modelos
El desarrollo de las floraciones de cianobacterias dependen principalmente de las propiedades físicas, químicas y biológicas de los cuerpos de agua, y las fluctuaciones en la abundancia son una función compleja entre fuerzas externas y procesos internos.
Según los investigadores una diferencia clave entre las aguas naturales y las aguas de los estanques de acuicultura es que las concentraciones de nitrógeno y fósforo en los estanques acuícolas son adicionados artificialmente mediante los piensos.
“Los resultados de las simulaciones demostraron que ambos modelos de aprendizaje automático son factibles para predecir la abundancia de cianobacterias en los estanques de acuicultura”, reportan.
Además destacan que los dos modelos estadísticos encontraron que el fósforo y el nitrógeno son predictores modestos, mientras que la DQO y el carbono orgánico total (TOC) tuvieron los coeficientes absolutos más altos en el modelo LASSO y las más altas puntuaciones en el modelo RF.
De acuerdo a los investigadores, los acuicultores con estanques de acuicultura bien equipados que cuentan con abundantes datos del monitoreo de la calidad del agua pueden usar las nueve variables ambientales identificados por el modelo LASSO.
Para los estanques acuícolas con limitados modelos de datos, las tres variables ambientales identificadas por el modelo RF proveen una solución conveniente para una útil predicción de cianobacterias.
“Nuestros hallazgos revelaron que la demanda química de oxígeno (DQO) y el carbono orgánico total (TOC) fueron los dos más importantes predictores en ambos modelos, destacando que la concentración de carbono orgánico tiene estrecha relación con el crecimiento de cianobacterias y la gestión de los estanques acuícolas”, reportan.
Conclusión
Los investigadores sugieren que el monitoreo del carbono orgánico, con una reducción del contenido de fósforo en los piensos, puede ser un enfoque de gestión efectivo para prevenir las floraciones de cianobacterias y para mantener un estado ecológico saludable en los estanques acuícolas.
“Nuestro estudio construyó dos modelos de aprendizaje automático (LASSO y RF) para predecir la abundancia de cianobacterias en más de 300 estanques acuícolas en el centro de China”, destacan.
Los investigadores concluyeron que ambos modelos mostraron un buen rendimiento, pero se encontró que tienen diferentes fortalezas para futuras aplicaciones.
El estudio fue financiado por China Agriculture Research System, National Natural Science Foundation of China y Major Public Welfare Projects en Henan Province.
Contacto
Xuejun Li
College of Fisheries, Henan Normal University, Xinxiang 453007, PR China.
Dirección actual: 46 Muye Road, Xinxiang city, Henan Province 453007
Email: xjli@htu.cn
Referencia (acceso abierto)
Man Zhang, Yiguang Zhang, Songyan Yu, Yunni Gao, Jing Dong, Weixia Zhu, Xianfeng Wang, Xuejun Li, Juntao Li, Jiandong Xiong. 2023. Two machine learning approaches for predicting cyanobacteria abundance in aquaculture ponds. Ecotoxicology and Environmental Safety, Volume 258, 2023, 114944, ISSN 0147-6513, https://doi.org/10.1016/j.ecoenv.2023.114944.
