La UAM y la UCM desarrollan un sistema para predecir brotes de cianobacterias en aguas dulces
Un equipo de investigadores de la Universidad Autónoma de Madrid (UAM) y la Universidad Complutense de Madrid (UCM), junto a especialistas en microbiología, física y análisis de datos, ha creado un sistema de alerta temprana para predecir la proliferación de cianobacterias en aguas dulces.
Este avance, detallado en un comunicado de prensa, se espera que contribuya a la protección de los ecosistemas acuáticos y a una gestión más eficiente del agua.
Los resultados del estudio, publicados en la revista Water Research, suponen un hito en la prevención de estos brotes, lo que favorece la conservación de los ecosistemas acuáticos y la mejora en la gestión de recursos hídricos.
La amenaza de las cianobacterias
Las cianobacterias, un tipo de microorganismo que puede ser tóxico, son las principales responsables de la proliferación masiva de microalgas en aguas dulces, también conocida como "blooms". Estos eventos afectan gravemente el equilibrio de los ecosistemas acuáticos, deterioran la calidad del agua y pueden impedir su uso tanto para actividades recreativas como para el consumo humano, según los detalles ofrecidos en la nota de prensa. Los investigadores han subrayado la importancia de los sistemas de alerta temprana para detectar estas amenazas desde el principio y reducir los riesgos asociados.
Innovación tecnológica para la predicción
El equipo de investigación ha llevado a cabo su estudio en el embalse de Cuerda del Pozo, en la provincia de Soria, donde han recogido datos durante seis años mediante sensores instalados en una plataforma flotante. Estos sensores, ubicados en un perfilador automático, han permitido monitorizar toda la columna de agua y recopilar información valiosa para el desarrollo de un sistema predictivo que anticipa la proliferación de cianobacterias.
Claudia Fournier, investigadora del Departamento de Biología de la UAM, ha señalado que el método desarrollado es "sencillo, pero muy robusto". Para predecir la aparición de cianobacterias, este sistema solo requiere datos sobre la temperatura del agua, la concentración de clorofila-a (un pigmento común en todas las algas) y de ficocianina, un pigmento específico de las cianobacterias en aguas dulces.
Modelos predictivos avanzados
La metodología utilizada combina técnicas avanzadas de procesamiento de datos, junto con el uso de modelos predictivos de diversa complejidad, que incluyen métodos de aprendizaje automático y profundo, como redes neuronales de memoria a corto y largo plazo (LSTM). Estas herramientas han sido fundamentales para mejorar la precisión en la predicción de los brotes de cianobacterias.
Los investigadores evaluaron la eficacia de los modelos con predicciones que oscilaban entre los 4 y los 28 días. El modelo basado en LSTM alcanzó un 90% de precisión, tanto para predicciones a corto plazo (4 días) como para aquellas más prolongadas (28 días).
Este sistema de predicción no solo facilitará la toma de decisiones en la gestión de los ecosistemas acuáticos, sino que también podría aplicarse en otros entornos donde la proliferación de cianobacterias represente una amenaza, contribuyendo así a la sostenibilidad y preservación de los recursos hídricos.
