Sztuczna inteligencja pomoże przepowiadać szkodliwe zakwity glonów

Zakwity glonów stanowią poważne zagrożenie dla zdrowia publicznego i ekosystemów wodnych, o czym przekonaliśmy się już i w Polsce. Opublikowany 3 czerwca 2025 r. w ramach specjalnego numeru New World: Advancing Water Applications Through Machine Learning and Artificial Intelligence artykuł chińskich naukowców z Hohai University w Changzhou przedstawia interesujące rozwiązanie umożliwiające predykcję szkodliwych zakwitów glonów (HABs) w czasie rzeczywistym poprzez integrację automatycznych systemów monitoringu (AMS) z algorytmami uczenia maszynowego.

Celem pracy było opracowanie energooszczędnego systemu predykcyjnego do wdrożenia na autonomicznych bojach pomiarowych.

Szkodliwe zakwity glonów są coraz częstsze

Zakwity glonów (HABs) stanowią poważne zagrożenie dla zdrowia publicznego i równowagi ekosystemów wodnych. Sprzyja im nadmiar biogenów (głównie azotu i fosforu), a ich rozwój jest silnie skorelowany z parametrami fizykochemicznymi wody – temperaturą, pH oraz przewodnictwem elektrycznym (EC). Zjawiska te nasilają się szczególnie przy temperaturach powyżej 20°C.

Dotychczasowe metody monitoringu, w tym satelitarne i manualne, mają swoje ograniczenia – m.in. niską rozdzielczość czasową, zakłócenia obrazu satelitarnego przez zachmurzenie oraz wysokie koszty operacyjne. Jako alternatywę autorzy badania proponują system BloomSense. Jest on oparty na bojach z czujnikami i algorytmie wykorzystującym cztery zmienne wejściowe: temperaturę wody, pH, EC oraz stężenie chlorofilu-a (Chl-a).

Z czego składa się BloomSense?

System AMS został wdrożony na bojach umieszczonych w eutroficznym zbiorniku słodkowodnym As Conchas, położonym w południowo-zachodniej Hiszpanii. Dane zbierano w odstępach 15-minutowych przez okres 38 miesięcy. Monitoring uwzględniał zmienność sezonową i warunki hydrologiczne, takie jak susze czy powodzie.

System predykcyjny opiera się na złożonym, hybrydowym modelu uczenia maszynowego, w skład którego wchodzą:

• Random Forest (RF) – inaczej las losowy, metoda stosowana dla klasyfikacji zmiennych istotnych dla predykcji poziomu Chl-a;
• SMOTE (Synthetic Minority Oversampling Technique) – technika statystyczna zwiększająca liczbę przypadków w zestawie danych w zrównoważony sposób;
• ResNet-18 – konwolucyjna sieć neuronowa do ekstrakcji cech przestrzennych z danych czujnikowych;
• LSTM (Long Short-Term Memory) – rekurencyjna sieć neuronowa do modelowania zależności czasowych;
• Warstwa Softmax przewidująca prawdopodobieństwo przekroczenia krytycznego progu Chl-a.

System zawiera również mechanizm alarmowy, aktywowany, gdy stężenie Chl-a przekroczy 10 µg/L – wartość odpowiadającą Alert Level 1 wg wytycznych WHO.

Kluczowe parametry prognozowania zakwitów

W badaniu wykorzystano zestaw danych zawierający m.in. średnie, odchylenia standardowe, wartości minimalne i maksymalne dla zmiennych: temperatury (°C), EC (μS/cm), pH i Chl-a (µg/L). Przed analizą dane zostały oczyszczone, znormalizowane i przekształcone. Badając je, zidentyfikowano silną korelację pomiędzy temperaturą, pH a stężeniem Chl-a, co wskazuje na ich najważniejsze znaczenie dla prognozowania szkodliwych zakwitów glonów.

Ważnym aspektem było uwzględnienie poziomu naładowania baterii w bojach jako wskaźnika niezawodności systemu – monitorowanie tego parametru ma zapewnić nieprzerwane działanie układu w warunkach ograniczonych zasobów energetycznych.

Skuteczność proponowanego modelu

Model został przetestowany na dwóch zbiorach danych: z boi zlokalizowanych w stabilnych wodach śródlądowych i w dynamicznych obszarach przybrzeżnych. Uzyskane wyniki dowodzą, iż hybrydowy model (RF + SMOTE + ResNet-18 + LSTM):

• zredukował błąd średni bezwzględny (MAE) o 26,2 proc. w porównaniu do klasycznych modeli;
• zwiększył F1-score (średnią harmoniczną precyzji i czułości) o 70,2 proc. w klasyfikacji wystąpienia zakwitu;
• lepiej radził sobie w trudnych, niestabilnych warunkach niż model ResNet+LSTM.

Dogłębna analiza uzyskanych pomiarów i wyników predykcji pokazała, iż prognozy modelu dobrze pokrywają się z rzeczywistymi wartościami stężeń Chl-a, a przekroczenia progu alarmowego 10 µg/l są dokładnie identyfikowane.

Tańsze i skuteczniejsze prognozowanie szkodliwych zakwitów glonów

Autorzy opracowali nowy, hybrydowy model uczenia maszynowego, który łączy głęboką ekstrakcję cech (ResNet-18) z analizą sekwencyjną (LSTM), optymalizując przy tym wybór zmiennych wejściowych i równoważenie danych.

W trakcie badania sformułowano następujące wnioski:

1. Ciągły monitoring (co 15 minut) dzięki czujników boi skutecznie zastępuje ograniczenia detekcji satelitarnej (m.in. niska rozdzielczość i brak danych przy zachmurzeniu).
2. Zastosowanie niskokosztowych parametrów wejściowych (temperatura, pH, EC, Chl-a) umożliwia skalowalność rozwiązania i jego użyteczność w środowiskach o ograniczonych zasobach.
3. Zintegrowany system ostrzegania pozwala na szybkie reagowanie na potencjalne szkodliwe zakwity glonów, wspierając efektywne zarządzanie zasobami wodnymi.

Badanie wykazało, iż możliwe jest zbudowanie energooszczędnego, niskokosztowego i dokładnego systemu predykcji zakwitów glonów przy użyciu czujników oraz algorytmów uczenia maszynowego. Model okazał się odporny na zmienność środowiskową i skuteczny w różnych warunkach hydrologicznych. W przyszłości autorzy planują szczegółową analizę wpływu poziomu naładowania baterii na jakość danych i ogólną wydajność proponowanego systemu.

Bibliografia:

Rathore, W.U.A.; Ni, J.; Ke, C.; Xie, Y. BloomSense: Integrating Automated Buoy Systems and AI to Monitor and Predict Harmful Algal Blooms. Water 2025, 17, 1691. https://doi.org/10.3390/w17111691