Greenpeace te invita a conocer como la inteligencia artificial puede ser utilizada para gestionar de forma eficaz los recursos hídricos. De modo puntual,este avance puede anticipar las proliferaciones de cianobacterias en los ecosistemas acuáticos, un dato clave para la buena gestión de los recursos hídricos del planeta.
La presencia de cianobacterias en los ecosistemas acuáticos es hoy día un grave problema.Estos microorganismos afectan tanto la calidad del agua como la biodiversidad. Su origen o proliferación masiva es impulsada por factores como el cambio climático y la actividad humana, por ello su avance descontrolado se ha convertido en un fenómeno cada vez más frecuente y con mayor impacto.
Gracias al avance de la tecnología moderna se ha podido encontrar una respuesta eficiente a esta problemática y evitar la pérdida masiva de biodiversidad. Esta solución es un sistema de alerta temprana cuyo funcionamiento se basa en redes neuronales LSTM (Long Short-Term Memory) y permite poner un freno a las cianobacterias. El modelo de vanguardia utiliza datos obtenidos mediante sensores multiparamétricos que alertan acerca de futuras floraciones con un alto nivel de precisión, incluso cuando los datos son incompletos. La capacidad de predecir este tipo de eventos con varias semanas de antelación permite una ventaja clave para poder realizar una gestión adecuada de los recursos hídricos.
Las cianobacterias han estado presentes en la Tierra por más de 3.500 millones de años. Estos microorganismos fotosintéticos no solo alteran el aspecto visual y generan olores muy desagradables en el agua, sino que además afectan de gravedad los ecosistemas acuáticos, y limitan o dejan inutilizable, el recurso hídrico.
Las floraciones y su impacto ambiental y económico
Las floraciones de cianobacterias acarrean efectos adversos muy significativos. En los ecosistemas, producen alteraciones en los ciclos ecológicos dado que compiten con otras formas de vida acuática y además, tienden a disminuir la concentración de oxígeno en el medio acuático. Por otro lado, las toxinas que son producidas por algunas especies de cianobacterias afectan la salud animal y humana, poniendo un freno al necesario uso productivo y recreativo del agua.
Desde una mirada económica, estas floraciones traen costos muy considerables relacionados con el tratamiento del agua potable , infringen daños a la pesca y pérdidas cuantiosas para la actividad turística. Por ello, la necesidad de contar con un sistema eficaz de alerta temprana que permita actuar antes de que los niveles de cianobacterias trepen a umbrales peligrosos se hace indispensable.
Las comunidades que eventualmente se ven afectadas por estas floraciones suelen sufrir problemas para el abastecimiento de agua potable, ya que el tratamiento convencional no alcanza para eliminar con éxito las toxinas presentes en el agua. Este impacto va más allá del plano económico, e impacta de lleno en la calidad de vida de millones de seres humanos. Por ello, contar con un sistema de predicción eficaz es indispensable para mitigar estos efectos tan adversos.
La tecnología de vanguardia y su uso en la predicción de floraciones
Los modelos de redes neuronales LSTM brindan una solución tecnológica de avanzada al desafío de predecir con eficiencia las floraciones de cianobacterias. Este tipo de red neuronal se enfoca en el análisis series temporales, lo que resulta vital para interpretar de modo adecuado los datos ambientales. Gracias a que se pueden realizar precisas mediciones de fluorescencia de ficocianina, (indicador específico de la presencia de cianobacterias) , junto con datos relativos a las temperatura y clorofila-a, el sistema puede predecir el comportamiento futuro de las floraciones.
Un aspecto a destacar de este sistema es su capacidad para gestionar con éxito las predicciones aún si los datos son incompletos o irregulares, un problema frecuente en los sistemas de monitoreo ambiental. Además, luego de evaluar seis modelos predictivos muy diferentes,los expertos concluyeron que las redes LSTM multivariantes, superan con creces a otros enfoques en puntos clave como son la consistencia y precisión a lo largo de distintos horizontes temporales de predicción.
Otra ventaja clave de este sistema de redes neuronales es su alta flexibilidad para ser aplicado en geografías y contextos disímiles. A diferencia de otros modelos específicos, las redes LSTM pueden adaptarse con éxito a diferentes tipos de datos, siempre que incluyan parámetros clave y relevantes tal como es la ficocianina. En este sentido, se ha convertido hoy día en una herramienta efectiva , versátil y muy adecuada para la gestión hídrica y la protección de la biodiversidad y salud humana.
