Pronóstico de las series temporales de las concentraciones de clorofila-a en la bahía de Chesapeake

Área de la Ciencia:

• Ciencias del medio ambiente
• Ecología
• Ciencia de los datos

Sus antecedentes:

• El deterioro de la calidad del agua plantea importantes desafíos ambientales y de salud pública.
• Las floraciones de algas dañinas (HAB) son una preocupación importante, con la clorofila-a como un indicador biológico primario.
• El control y la previsión eficaces de la calidad del agua son cruciales para la gestión de los ecosistemas acuáticos como la Bahía de Chesapeake.

Objetivo del estudio:

• Evaluar la eficacia de una red neuronal de memoria larga a corto plazo (LSTM) para predecir las concentraciones de clorofila-a.
• Comparar el rendimiento del modelo LSTM con los modelos estadísticos tradicionales (ARIMA, TBATS).
• Evaluar el potencial del aprendizaje profundo para mejorar la predicción de la calidad del agua en entornos estuarinos.

Principales métodos:

• Utilizó datos semanales de clorofila derivados de satélites que abarcan 1997-2020 para tres regiones de la Bahía de Chesapeake.
• Desarrolló y entrenó un modelo de red neuronal LSTM.
• El LSTM comparado con los modelos ARIMA y TBATS utiliza el error cuadrado de la raíz media (RMSE).

Principales resultados:

• El modelo LSTM superó constantemente a ARIMA y TBATS en las tres regiones.
• Se alcanzaron valores bajos de RMSE: 0,121 mg/m3, 0,155 mg/m3 y 0,199 mg/m3.
• Demostró la capacidad del LSTM para capturar patrones estacionales complejos y dinámicas espaciotemporales.

Conclusiones:

• Las redes neuronales LSTM muestran un rendimiento superior en la predicción de las concentraciones de clorofila-a.
• El aprendizaje profundo ofrece una herramienta poderosa para mejorar las previsiones de la calidad del agua.
• Este enfoque puede apoyar las decisiones políticas oportunas y la gestión sostenible de los recursos acuáticos.