• Investigadores de la Universidad Complutense y Autónoma de Madrid desarrollan un sistema de alerta temprana para pronosticar proliferaciones masivas de cianobacterias, contribuyendo decisivamente a la preservación de los ecosistemas acuáticos y a una gestión más eficiente del recurso hídrico.

 

Madrid, 17 de octubre de 2024.- Las cianobacterias, muchas veces tóxicas, son los microorganismos dominantes en las proliferaciones masivas de microalgas que aparecen en aguas dulces (conocidas como Blooms). Estos blooms amenazan tanto el correcto funcionamiento de los ecosistemas acuáticos, como la calidad de las aguas, pudiendo comprometer tanto su uso recreativo como de consumo. Para poder actuar con celeridad los Sistemas de Alerta Temprana se vuelven esenciales para obtener datos al principio de la amenaza y poder mitigar los posibles riesgos asociados a estas proliferaciones.

En este estudio se utilizaron datos tomados desde una plataforma flotante, que estuvo instalada en el embalse de abastecimiento y uso recreativo Cuerda del Pozo (Soria, España). En esta plataforma se instalaron distintos sensores montados en un perfilador automático, que han estado recogiendo datos en toda la columna de agua durante seis años.

Los investigadores han desarrollado un método de aplicación sencilla que es capaz de predecir de manera robusta el momento y la intensidad de los afloramientos de cianobacterias, y para ello únicamente se requieren datos de la temperatura del agua, la cantidad de clorofila-a, pigmento presente en todas las algas, y la ficocianina, pigmento que en agua dulce se encuentra en las cianobacterias. La metodología se basa en un preprocesado flexible de los datos y en el entrenamiento y evaluación de modelos predictivos de distinta complejidad, que incluyen modelos de aprendizaje autónomo (machine learning) y aprendizaje profundo (deep learning), donde se incluyen redes neuronales con memoria a corto y largo plazo (LSTM, por sus siglas en inglés). La validez de los modelos desarrollados se evaluó en periodos de predicción de entre 4 y 28 días. El modelo LSTM alcanzó una precisión del 90% en la predicción de niveles de alerta, tanto para los horizontes de predicción más cortos (4 días), como para los más largos (28 días).

El estudio ha sido llevado a cabo en colaboración entre investigadores de las Universidades Complutense y Autónoma de Madrid (UCM - UAM), con expertos en el área de la microbiología, la inteligencia artificial, la física y el análisis de datos. Los resultados han sido publicados en Water Research, una de las revistas con mayor impacto internacional en el ámbito de la investigación del agua. El artículo constituye una aportación significativa en la gestión preventiva de las proliferaciones de cianobacterias, contribuyendo a la preservación de los ecosistemas acuáticos y a una gestión más eficiente del recurso hídrico.

 

^{Plataforma flotante desde la que se toman los datos del agua a través de sensores montados en un perfilador. Embalse de Cuerda del Pozo (Soria, España). Imagen modificada a partir de la original, con elementos generados mediante IA (DALL·E). Fuente: Agustín P. Monteolvia (Ecohydros S.L.).}

 

^{Referencia bibliográfica}

^{Claudia Fournier, Raúl Fernández-Fernández, Samuel Cirés, José A. López-Orozco, Eva Besada-Portas, Antonio Quesada (2024). LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data, Water Research (2024), DOI: https://doi.org/10.1016/j.watres.2024.122553}

 

 

Datos de contacto: José Antonio López Orozco, departamento de Arquitectura de Computadores y Automática (DACYA), Facultad de Ciencias Físicas, Universidad Complutense de Madrid, jalo@dacya.ucm.es

 

 

NOTA DE PRENSA EN PDF

 

Vicerrectorado de Comunicación
Avenida de Séneca, 2. 28040 Madrid
Teléfono: 91 394 36 06/+34 609 631 142
gprensa@ucm.es  www.ucm.es