Schadelijke algenbloei (HAB's) zijn fytoplanktonkolonies die het aquatisch ecosysteem en de menselijke gezondheid kunnen schaden. Het uitsterven van vissen, het sluiten van schaaldieren en de terughoudendheid bij consumenten om zeevruchten te eten, vaak veroorzaakt door deze bloei, kost de VS gemiddeld $ 4,6 miljard per jaar.

Een nieuwe studie waarbij Florida Tech betrokken is, toont aan dat een nieuwe benadering van machinaal leren met behulp van wereldwijde klimaatpatronen de seizoensvoorspelling van HAB's kan verbeteren. Deze verbetering zou voor beleidsmakers meer tijd kunnen betekenen om goede plannings- en mitigatiestrategieën te overwegen en toe te passen, zoals beperkingen bij het oogsten, en helpen bij het controleren van toxines in schelpdieren om besmette producten van de markt te houden, rapporteren de onderzoekers.

"Verbeterde seizoensvoorspelling van schadelijke algenbloei met behulp van grootschalige klimaatindexen", vandaag gepubliceerd in het tijdschrift Communications Earth and Environment , ontdekte dat het invoeren van wereldwijde klimaatpatronen in een op machine learning gebaseerd raamwerk de seizoensvoorspelling van HAB's boven Lake Erie verbeterde. De onderzoekers ontdekten ook dat het gebruik van klimaatpatroongegevens het mogelijk maakte om de verbeterde seizoensvoorspelling eerder dan normaal te voltooien.

"Elke vooruitgang in het begrijpen en voorspellen van HAB's kan een aanzienlijke impact hebben in de VS en de rest van de wereld", zegt Pallav Ray, een meteoroloog en universitair hoofddocent in oceaantechniek en mariene wetenschappen bij Florida Tech en een co-auteur van de studie .

Conventioneel wordt HAB-voorspelling uitgevoerd met behulp van informatie over chemicaliën uit industrieën en landbouwgrond die via afvoer naar watermassa's worden getransporteerd. HAB-voorspellingen die deze chemische gegevens als de belangrijkste drijfveer gebruiken, blijken echter minder nauwkeurig te zijn tijdens extreme bloeijaren. Uit het nieuwe onderzoek bleek dat wanneer een reeks klimatologische patronen werd gebruikt in een nieuwe machine learning-benadering samen met die chemische gegevens, de HAB-voorspellingsnauwkeurigheid over Lake Erie dramatisch verbeterde.

Een groeiend aantal waterlichamen, waaronder de Indian River Lagoon, wordt ernstig aangetast door overmatige nutriëntenbelasting. Lake Erie wordt getroffen bij zijn stroomgebied vanwege de aanwezigheid van grote productiefaciliteiten en uitgestrekte landbouwgronden. Dit heeft de afgelopen decennia geleid tot steeds grotere en diepere bloemen.

De studie toonde ook aan dat de grootschalige structuren van de oceaanatmosfeer duidelijk verschillen tijdens milde HAB-jaren in vergelijking met ernstige HAB-jaren, wat de invloed suggereert van grootschalige circulatie op de seizoensgebonden evolutie van HAB's boven Lake Erie.

"Deze resultaten zullen naar verwachting helpen de doorlooptijd te verlengen en de seizoensvoorspelling van HAB's te verbeteren, niet alleen in Lake Erie, maar ook in andere waterlichamen over de hele wereld waar chemische gegevens mogelijk niet beschikbaar zijn," zei Ray.

Hoofdauteur Mukul Tewari, een atmosferische wetenschapper bij het IBM Thomas J. Watson Research Center in Yorktown Heights, New York, zei dat het onderzoek ook het belang en de waarde van een gevarieerd onderzoeksteam benadrukt. "Elke significante vooruitgang in de voorspelling van HAB's vereist interdisciplinaire samenwerking tussen experts op het gebied van HAB's, klimaatwetenschap, machine learning en computationele en datawetenschappen", zei hij. + Verder verkennen

Schadelijke algenbloei wordt detecteerbaar langs het westelijke Eriemeer