Permitirá a los científicos comprender mejor las condiciones que crean las floraciones
Un equipo de científicos del Laboratorio Nacional de Los Álamos planea utilizar modelos de inteligencia artificial para pronosticar y comprender mejor una amenaza creciente al agua causada por la proliferación de algas tóxicas.
Impulsadas por el cambio climático y la subida de la temperatura del agua, estas floraciones de algas nocivas (HAB, por sus siglas en inglés) han aumentado en intensidad y frecuencia. Ahora se han reportado en los 50 estados de EE. UU.
"Están apareciendo floraciones de algas nocivas en áreas donde, históricamente, nunca estuvieron presentes", dijo Babetta Marrone, científica principal del laboratorio y líder del equipo del proyecto. "El ecosistema de organismos que causan estas floraciones es muy complejo. Y la información que tenemos sobre cuándo y por qué se forman estas floraciones se encuentra dispersa en una variedad de bases de datos locales, estatales, federales e internacionales. Ésta es un área en la que creemos que la IA puede ayudar".
Cada año, las llamadas "mareas rojas" y "mareas azul-verdes" cierran playas y lagos, matan un número incalculable de animales acuáticos y causan miles de millones de dólares en daños económicos. Los científicos necesitan herramientas modernas para comprender de manera confiable los procesos físicos, químicos y biológicos que dictan la toxicidad y prevalencia de las HAB para predecir y mitigar estos brotes. El equipo de Los Álamos ha detallado un proceso mediante el cual los modelos de inteligencia artificial pueden ayudar a desentrañar estos misterios.
Imagen: Ecosistema de datos de CyanoHAB que muestra las fuentes de datos de cyanoHAB y los enfoques de muestreo. Estos incluyen muestras al azar o muestreo de telemetría fija/boya directamente desde el lago, condiciones climáticas de estaciones de telemetría en tierra y teledetección satelital de HAB. Mediante el análisis colectivo de los datos será posible construir un modelo que, en última instancia, prediga la aparición, persistencia y toxicidad de cianoHAB e informe a los tomadores de decisiones. Crédito: CS ES&T Water (2023). DOI: 10.1021/acsestwater.3c00369
Comprender el ecosistema HAB
Los investigadores han recopilado datos sobre las HAB desde 1954. Durante décadas, los científicos han comprendido que las elevadas temperaturas del agua, combinadas con infusiones repentinas de nutrientes (a menudo escurrimientos de fósforo y nitrógeno de la agricultura industrial), tienden a preceder a un evento de HAB. Este desequilibrio repentino de nutrientes puede provocar el crecimiento explosivo de cianobacterias, que se produce de forma natural en el agua dulce.
En estas condiciones, especies de cianobacterias como Microcystis aeruginosa pueden formar densos mantos en la superficie del agua, liberando eventualmente microcistina, una toxina que puede enfermar o matar organismos, incluidos peces, vida silvestre y humanos.
Pero ha resultado difícil comprender qué causa que las cianobacterias tóxicas prevalezcan en estos ecosistemas de agua dulce. Las cianobacterias HAB son ecosistemas complejos influenciados por cientos (a veces miles) de otros microorganismos.
"Cada vez hay más disponibles grandes conjuntos de datos genómicos de cianobacterias HAB", dijo Marrone. "Nuestro equipo planea extraer estos conjuntos de datos con modelos de aprendizaje automático e inteligencia artificial para comprender la relación entre las cianobacterias y muchos otros microorganismos presentes en el cuerpo de agua durante el transcurso de la proliferación de algas. Esto nos permitirá identificar las relaciones funcionales clave que causan la producción de toxinas".
Imagen: Flujo de trabajo de HAB ML/AI sugerido para la recopilación de datos, la integración y el desarrollo de un modelo de HAB ML/AI para permitir el desarrollo y la comprensión de una imagen integrada del ecosistema dinámico de cyanoHAB.
Un camino hacia la previsión
Otro importante impedimento para comprender y, por tanto, pronosticar la proliferación de algas son los datos en sí. Las investigaciones existentes han sido recopiladas de forma independiente por una variedad de organizaciones en todo el país y el mundo, algunas de ellas por grupos de científicos ciudadanos. Gran parte de estos datos se muestrearon con distintos instrumentos y luego se registraron en diferentes formatos.
En su reciente publicación, el equipo de Marrone describe cómo los modelos de inteligencia artificial y aprendizaje automático pueden descifrar y analizar estos datos dispares. Esto permitiría a los científicos comprender mejor las condiciones que crean las HAB, el primer paso para pronosticar estos brotes.
"Nuestro objetivo es incorporar la información existente a un modelo que aproveche los datos obtenidos del muestreo de agua, las estaciones de telemetría meteorológica, los datos de detección por satélite y los datos biológicos recientemente emergentes", dijo Marrone. "Este modelo podría usarse para pronosticar la proliferación de algas y posiblemente incluso predecir cómo alterará el cambio climático su intensidad y frecuencia en el futuro".
La investigación ha sido publicada en la revista ACS ES&T Water: Toward a Predictive Understanding of Cyanobacterial Harmful Algal Blooms through AI Integration of Physical, Chemical, and Biological Data