Las floraciones de algas nocivas (FAN) son colonias de fitoplancton que pueden dañar el ecosistema acuático y la salud humana. La mortandad de peces, los cierres 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.

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 HAB. Esta mejora podría significar más tiempo para que los legisladores consideren y adopten estrategias adecuadas de planificación y mitigación, como restricciones en la recolección, y ayudar a controlar las toxinas en los mariscos para mantener los productos contaminados fuera del mercado, informan los investigadores.

"Predicción estacional mejorada de floraciones de algas nocivas utilizando índices climáticos a gran escala", publicado hoy en la revista Communications Earth and Environment , descubrió que ingresar patrones climáticos globales en un marco basado en aprendizaje automático mejoró la predicción estacional de HAB sobre el lago Erie. Los investigadores también descubrieron 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 HAB puede tener un impacto significativo en los EE. UU. y en todo el mundo", dijo Pallav Ray, meteorólogo y profesor asociado de ingeniería oceánica y ciencias marinas en Florida Tech y coautor del estudio. .

Convencionalmente, la predicción de HAB se realiza utilizando información sobre productos químicos de industrias y tierras agrícolas que se transportan a cuerpos de agua a través de la escorrentía. Sin embargo, se ha descubierto que las predicciones de HAB que utilizan estos datos químicos como el principal impulsor son menos precisas durante los años de floración extrema. La nueva investigación encontró 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 HAB sobre el lago Erie mejoró drásticamente.

Un número creciente de cuerpos de agua, incluida la laguna Indian 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 HAB leves en comparación con los años HAB severos, lo que sugiere la influencia de la circulación a gran escala en la evolución estacional de las HAB sobre el lago Erie.

"Se espera que estos resultados ayuden a extender el tiempo de anticipación y mejorar la predicción estacional de HAB 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", dijo Ray.

El autor principal, Mukul Tewari, científico atmosférico del Centro de Investigación IBM Thomas J. Watson en Yorktown Heights, Nueva 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 HAB requiere una colaboración interdisciplinaria entre expertos en HAB, ciencia climática, aprendizaje automático y ciencias computacionales y de datos", dijo. + Explora más

Floración de algas nocivas se vuelve detectable a lo largo del oeste del lago Erie