Un sistema de IA predice con un 90 % de precisión los brotes de cianobacterias en agua dulce

Un equipo de investigadores de la Universidad Autónoma de Madrid (UAM) y la Universidad Complutense de Madrid (UCM), en colaboración con especialistas en microbiología, física y análisis de datos, ha desarrollado un sistema de alerta temprana basado en Inteligencia Artificial (IA) para predecir la proliferación masiva de cianobacterias.

Según informó la UAM, los resultados de este trabajo sobre cianobacterias, publicados en la revista Water Research, suponen un avance “importante” en la prevención de estos brotes, contribuyendo a la protección de los ecosistemas acuáticos y a una gestión más eficaz del agua.

Las cianobacterias son las principales causantes de peligrosos "blooms" de microalgas

Las cianobacterias, que en muchos casos pueden ser tóxicas, son los principales microorganismos responsables de los “blooms”, o proliferaciones masivas de microalgas en aguas dulces.

Estos fenómenos alteran tanto el equilibrio de los ecosistemas acuáticos como la calidad del agua, afectando su uso recreativo y su aptitud para el consumo. Por esta razón, los sistemas de alerta temprana resultan “fundamentales” para identificar estas amenazas desde sus primeras etapas y reducir los riesgos asociados.

El desarrollo de un sistema predictivo basado en datos recopilados

Para llevar a cabo su estudio, los investigadores analizaron datos obtenidos a partir de una plataforma flotante instalada en el embalse de Cuerda del Pozo, en Soria (España). Durante seis años, sensores colocados en un perfilador automático monitorizaron toda la columna de agua, generando una base de datos “valiosa” que permitió desarrollar el sistema predictivo.

La investigadora de Biología de la Universidad Autónoma de Madrid (UAM), Claudia Fournier, explicó que han desarrollado "un método sencillo, pero al mismo tiempo extremadamente robusto", el cual permite anticipar con precisión tanto el momento en que ocurrirán los "afloramientos de cianobacterias" como la intensidad de estos eventos.

La predicción de fenómenos biológicos en cuerpos de agua dulce

Este procedimiento se basa en la recopilación de un conjunto reducido de datos. Específicamente, se requiere información sobre la temperatura del agua, la concentración de clorofila-a, que es un pigmento presente en todas las algas, y de la ficocianina, que es "un pigmento característico de las cianobacterias que se encuentran en cuerpos de agua dulce". Con estos tres parámetros, se puede predecir de manera efectiva la aparición de estos fenómenos biológicos.

La metodología utilizada en este estudio se basó en un preprocesamiento flexible de los datos, adaptado a las características y necesidades de la información disponible. Además, se emplearon diversos modelos predictivos que abarcaron distintos niveles de complejidad. Entre las técnicas empleadas se incluyeron enfoques avanzados de aprendizaje automático y aprendizaje profundo, con un énfasis particular en el uso de redes neuronales recurrentes, específicamente aquellas con memoria a corto y largo plazo (LSTM, por sus siglas en inglés).

La evaluación de la eficacia de los modelos se llevó a cabo utilizando ventanas de predicción que variaron entre los 4 y los 28 días. En este contexto, el modelo LSTM destacó por alcanzar una precisión del 90 % en la predicción de los niveles de alerta de cianobacterias. Este rendimiento fue consistente tanto en los horizontes de predicción más cortos, como aquellos de 4 días, así como en los horizontes más largos, de hasta 28 días.