Un equipo de investigadores de la Universidad Autónoma de Madrid (UAM) y de la Universidad Complutense de Madrid (UCM), en colaboración con expertos en microbiología, física y análisis de datos, ha desarrollado un sistema de alerta temprana para predecir la proliferación masiva de cianobacterias en aguas dulces que considera que ayudará a "proteger los ecosistemas acuáticos y a mejorar las gestión del agua", según han informado en una nota de prensa recogida por Europa Press.

Los resultados, publicados en la revista Water Research, representan un avance significativo en la prevención de estos brotes y favorecen la preservación de los ecosistemas acuáticos y una gestión más eficiente del agua. Las cianobacterias, que en muchos casos son tóxicas, suelen ser los principales microorganismos responsables de las proliferaciones masivas de microalgas en aguas dulces. También conocidas como 'blooms', afectan tanto al equilibrio de los ecosistemas acuáticos como a la calidad del agua y comprometen su uso recreativo y su potabilidad, han explicado en la nota de prensa. Por ello, los sistemas de alerta temprana "son cruciales para detectar estas amenazas desde el inicio y mitigar los riesgos asociados", han aclarado.

CUERDA DEL POZO

Los investigadores han utilizado datos recogidos desde una plataforma flotante instalada en el embalse de Cuerda del Pozo, en Soria. Durante seis años, unos sensores montados en un perfilador automático han estado monitorizando toda la columna de agua y han proporcionado una base de datos valiosa para el desarrollo del sistema predictivo. La investigadora del Departamento de Biología de la UAM, Claudia Fournier, ha explicado que han desarrollado "un método sencillo, pero extremadamente robusto, que permite predecir el momento y la intensidad de los afloramientos de cianobacterias". "Para ello, solo se necesitan datos de la temperatura del agua, de la concentración de clorofila-a, que es un pigmento presente en todas las algas, y de la ficocianina, un pigmento específico de las cianobacterias en agua dulce", ha añadido.

La metodología empleada ha incluido un preprocesado flexible de los datos y el uso de modelos predictivos de diversa complejidad, así como técnicas de aprendizaje automático ('machine learning') y aprendizaje profundo ('deep learning'), y también redes neuronales con memoria a corto y largo plazo (LSTM, por sus siglas en inglés). La eficacia de los modelos se evaluó con periodos de predicción de entre 4 y 28 días, y el modelo LSTM logró una precisión del 90, tanto para horizontes de predicción cortos (4 días) como para los más largos (28 días).