Questa immagine satellitare mostra una proliferazione algale dannosa sul lago Erie nell'ottobre 2011. Credit:Florida Institute of Technology
Le fioriture algali nocive (HAB) sono colonie di fitoplancton che possono danneggiare l'ecosistema acquatico e la salute umana. La moria del pesce, la chiusura dei molluschi e la riluttanza tra i consumatori a mangiare frutti di mare spesso causati da queste fioriture costano agli Stati Uniti in media 4,6 miliardi di dollari all'anno.
Un nuovo studio che ha coinvolto Florida Tech mostra che un nuovo approccio di apprendimento automatico che utilizza i modelli climatici globali può migliorare la previsione stagionale degli HAB. Secondo i ricercatori, questo miglioramento potrebbe significare più tempo per i responsabili politici per considerare e adottare strategie di pianificazione e mitigazione adeguate, come restrizioni nella raccolta, e aiutare a monitorare le tossine nei molluschi per tenere i prodotti contaminati fuori dal mercato.
"Previsione stagionale migliorata delle proliferazioni algali dannose utilizzando indici climatici su larga scala", pubblicato oggi sulla rivista Communications Earth and Environment , hanno scoperto che l'inserimento dei modelli climatici globali in un quadro basato sull'apprendimento automatico ha migliorato la previsione stagionale degli HAB sul lago Erie. I ricercatori hanno anche scoperto che l'uso dei dati sui modelli climatici ha consentito di completare la previsione stagionale migliorata prima del solito.
"Qualsiasi progresso nella comprensione e nella previsione degli HAB può avere un impatto significativo negli Stati Uniti e in tutto il mondo", ha affermato Pallav Ray, meteorologo e professore associato di ingegneria oceanica e scienze marine presso Florida Tech e coautore dello studio .
Convenzionalmente, la previsione HAB viene condotta utilizzando informazioni sulle sostanze chimiche delle industrie e dei terreni agricoli che vengono trasportate nei corpi idrici attraverso il deflusso. Tuttavia, le previsioni HAB che utilizzano questi dati chimici come driver principale si sono rivelate meno accurate durante gli anni di fioritura estrema. La nuova ricerca ha scoperto che quando una serie di modelli climatici è stata utilizzata in un nuovo approccio di apprendimento automatico insieme a quei dati chimici, l'accuratezza della previsione HAB sul lago Erie è migliorata notevolmente.
Un numero crescente di corpi idrici, inclusa la laguna del fiume indiano, è gravemente colpito da un carico eccessivo di nutrienti. Il lago Erie è colpito al suo spartiacque a causa della presenza di grandi impianti di produzione e vasti terreni agricoli. Ciò ha portato a fioriture sempre più grandi e profonde negli ultimi decenni.
Lo studio ha anche scoperto che le strutture dell'atmosfera oceanica su larga scala sono nettamente diverse durante gli anni HAB miti rispetto agli anni HAB gravi, suggerendo l'influenza della circolazione su larga scala sull'evoluzione stagionale degli HAB sul lago Erie.
"Si prevede che questi risultati contribuiranno a prolungare i tempi di consegna e a migliorare la previsione stagionale degli HAB non solo nel lago Erie, ma anche in altri corpi idrici in tutto il mondo in cui i dati chimici potrebbero non essere disponibili", ha affermato Ray.
L'autore principale Mukul Tewari, uno scienziato atmosferico presso l'IBM Thomas J. Watson Research Center di Yorktown Heights, New York, ha affermato che la ricerca evidenzia anche l'importanza e il valore di avere un team di ricerca variegato. "Qualsiasi progresso significativo nella previsione degli HAB richiede una collaborazione interdisciplinare tra esperti di HAB, scienze del clima, apprendimento automatico e scienze computazionali e dei dati", ha affermato. + Esplora ulteriormente
