Cientistas da Universidade Autónoma de Madrid (UAM) e da Universidade Complutense de Madrid (UCM) criaram um sistema de alerta precoce baseado em inteligência artificial para prever surtos massivos de cianobactérias em águas doces. Utilizando modelos de aprendizagem automática e de aprendizagem profunda, o sistema poderá ajudar a proteger os ecossistemas aquáticos e a melhorar a gestão da água.
Uma equipa de investigadores da Universidade Autónoma de Madrid (UAM) e da Universidade Complutense de Madrid (UCM), em colaboração com especialistas em microbiologia, física e análise de dados, desenvolveu um sistema de alerta precoce para prever a proliferação massiva de cianobactérias.
Os resultados, publicados na revista Pesquisa sobre Águarepresentam um avanço significativo na prevenção destes surtos, favorecendo a preservação dos ecossistemas aquáticos e uma gestão mais eficiente da água.
As cianobactérias, que em muitos casos são tóxicas, são frequentemente os principais microrganismos responsáveis pela floresceou proliferações massivas de microalgas em águas doces. Esses floresce afectam tanto o equilíbrio dos ecossistemas aquáticos como a qualidade da água, comprometendo o seu uso recreativo e a sua potabilidade. Portanto, os sistemas de alerta precoce são cruciais para detectar estas ameaças numa fase precoce e mitigar os riscos associados.
Para o estudo, os pesquisadores utilizaram dados coletados de uma plataforma flutuante instalada no reservatório Cuerda del Pozo, em Soria, Espanha. Há seis anos, sensores montados em um perfilador automático monitoram toda a coluna d’água, fornecendo um valioso banco de dados para o desenvolvimento do sistema preditivo.
“Desenvolvemos um método simples, mas extremamente robusto, que permite prever o momento e a intensidade da proliferação de cianobactérias”, explica Claudia Fournier, pesquisadora do Departamento de Biologia da UAM. “Para isso, precisamos apenas de dados sobre a temperatura da água, a concentração de clorofila-a, que é um pigmento presente em todas as algas, e de ficocianina, um pigmento específico das cianobactérias de água doce”.
A metodologia empregada incluiu pré-processamento flexível de dados e uso de modelos preditivos de complexidade variada, incluindo aprendizado de máquina e técnicas de aprendizado profundo, como redes neurais com memória de curto e longo prazo (LSTM).
A eficácia dos modelos foi avaliada com períodos de previsão variando de 4 a 28 dias, e o modelo LSTM alcançou 90% de precisão na previsão de níveis de alerta para horizontes de previsão curtos (4 dias) e mais longos (28 dias).
Referência bibliográfica:
Claudia Fournier, Raùl Fernandez-Fernandez, Samuel Cirés, José A. López-Orozco, Eva Besada-Portas, Antonio Quesada (2024). “As redes LSTM fornecem previsão eficiente de proliferação de cianobactérias mesmo com dados espaço-temporais incompletos”, Water Research (2024), doi: https://doi.org/10.1016/j.watres.2024.122553
Mais cultura científica na UAM Gazette
