Un estudio basado en los resultados de una colaboración científica entre Japón y Chile (SATREPS–MACH) explora un camino prometedor: combinar distintos modelos predictivos para mejorar la capacidad de anticipación frente a las floraciones algales nocivas.
Predecir cuándo y dónde aparecerán sigue siendo uno de los mayores desafíos para la gestión costera y la acuicultura. Estos eventos pueden amenazar la salud pública, afectar la inocuidad de los productos del mar y provocar pérdidas económicas significativas en sectores como la salmonicultura y el cultivo de mariscos.
Un problema complejo y dinámico
Las FAN son difíciles de prever debido a la diversidad biológica y ecológica de las especies involucradas, cuyas respuestas a las condiciones ambientales varían en morfología, ciclos de vida y toxicidad. Aunque el monitoreo costero ha avanzado en identificación de especies y medición de parámetros oceanográficos, la frecuencia de muestreo y la variabilidad espacial y temporal del fitoplancton limitan la construcción de pronósticos fiables.
En Chile, donde la acuicultura marina tiene gran relevancia productiva, el desafío es particularmente evidente. Las condiciones oceanográficas del sur —marcadas por la heterogeneidad ambiental de los sistemas de fiordos, la descarga de ríos, el deshielo glaciar y los patrones meteorológicos— generan variaciones complejas en la columna de agua. En este contexto, la predicción de FAN no solo es una cuestión científica, sino también una herramienta estratégica para reducir riesgos productivos y sanitarios.
Tres formas de modelar las floraciones
El estudio revisa los principales enfoques de modelación utilizados para pronosticar FAN, agrupados en tres categorías:
- Empírico-estadísticos, basados en datos y técnicas de aprendizaje automático que identifican patrones y relaciones entre variables ambientales y biológicas. Aunque han mostrado buen desempeño predictivo, su dependencia de los datos de entrenamiento y la escasa incorporación de interacciones biológicas limitan su extrapolación.
- Mecanísticos, que describen procesos fisiológicos y ecológicos de organismos específicos mediante parámetros detallados. Su aplicación es más restringida debido al conocimiento profundo requerido sobre la biología de cada especie.
- Físicos, que simulan procesos oceanográficos como corrientes o transporte de partículas, útiles para entender la dispersión de organismos y generalmente efectivos en predicciones de corto plazo.
Dado que ninguno de estos enfoques por sí solo captura toda la complejidad de las FAN, el trabajo destaca el potencial de la modelación acoplada —la integración de múltiples modelos— para mejorar robustez y fiabilidad.
Un experimento de integración en la Patagonia
Dentro del proyecto SATREPS-MACH se desarrollaron tres herramientas complementarias:
- Parti-MOSA, un modelo físico que simula la dispersión de células algales mediante datos oceanográficos y meteorológicos.
- Una red neuronal LSTM, capaz de aprender patrones en series temporales a partir de datos ambientales y de metabarcodificación de ADN del plancton.
- Un Modelo Dinámico Empírico (EDM), aplicado a datos de monitoreo de largo plazo para identificar relaciones causales entre especies de fitoplancton.
El estudio de caso se centró en la predicción de dos grupos de Pseudo-nitzschia utilizando registros históricos de Metri, Quellón y Melinka. A través de análisis de causalidad y modelación multivariada, se identificaron asociaciones recurrentes con géneros como Ceratium y Leptocylindrus. La capacidad predictiva fue variable entre sitios, destacando un mejor desempeño para P. seriata en Metri, donde la correlación entre valores observados y predichos alcanzó 0,733. En general, los modelos lograron anticipar la ocurrencia de floraciones, aunque con menor precisión en estimar abundancias exactas.
Interacciones invisibles y señales tempranas
El análisis ecológico reveló que muchas especies causales pertenecían a diatomeas, conocidas por prosperar en condiciones de alta disponibilidad de nutrientes, mientras que dinoflagelados como Ceratium pueden compartir nichos ambientales similares. Estas co-ocurrencias sugieren que las interacciones entre especies podrían funcionar como indicadores tempranos de floraciones, abriendo la posibilidad de utilizarlas como señales de alerta dentro de estrategias de monitoreo.
Sin embargo, el estudio subraya que estas relaciones dependen del contexto y no necesariamente implican mecanismos directos claros. Las dinámicas ecológicas subyacentes siguen siendo complejas y en muchos casos poco comprendidas, lo que refuerza la necesidad de integrar variables ambientales y biológicas en futuras investigaciones.
Hacia sistemas de alerta más robustos
Los resultados muestran que enfoques como el EDM pueden captar dinámicas de floración en determinados contextos ecológicos y que la integración de modelos —incluyendo inteligencia artificial, simulaciones físicas e inferencia causal— ofrece un camino prometedor para mejorar sistemas de alerta temprana. No obstante, persisten desafíos, como la necesidad de datos específicos por sitio, altos requerimientos computacionales y la dificultad de generalizar modelos entre regiones.
En conjunto, este estudio evidencia el potencial de la modelación híbrida para fortalecer la capacidad predictiva frente a las FAN. Al avanzar hacia marcos integrados que consideren tanto la interacción entre especies como la variabilidad ambiental, la investigación abre nuevas perspectivas para mitigar impactos en la acuicultura y apoyar la toma de decisiones en ecosistemas costeros complejos.
Lea el estudio completo aquí: A prototype coupled modeling approach for predicting harmful algal blooms: A case study in Chile
