Un système permettant de prédire la prolifération massive de cyanobactéries contribuera à protéger les écosystèmes aquatiques

Des scientifiques de l'Université Complutense de Madrid (UCM) et de l'Université autonome de Madrid (UAM) ont créé un système d'alerte précoce basé sur l'IA (intelligence artificielle) qui nous permettra de prédire les épidémies massives de cyanobactéries qui se produisent dans les écosystèmes aquatiques frais.

Une équipe de chercheurs de l'Université autonome de Madrid (UAM) et de l'Université Complutense de Madrid (UCM), en collaboration avec des experts en microbiologie, physique et analyse de données, a développé un système d'alerte précoce pour prédire le prolifération massive de cyanobactéries.

Les résultats, publiés dans la revue Water Research, représentent une avancée significative dans la prévention de ces épidémies, favorisant la préservation de la écosystèmes aquatiques et une gestion plus efficace de l’eau.

Les cyanobactéries, souvent toxiques, sont généralement les principaux micro-organismes responsables des blooms ou proliférations massives de microalgues dans les eaux douces. Ces proliférations affectent à la fois équilibre des écosystèmes aquatiques ainsi que la qualité de l'eau, compromettant son utilisation récréative et sa potabilité. Les systèmes d’alerte précoce sont donc essentiels pour détecter ces menaces dès le début et atténuer les risques associés.

Pour leur étude, les chercheurs ont utilisé les données collectées à partir d'une plateforme flottante installée dans le réservoir de Cuerda del Pozo, à Soria (Espagne). Depuis six ans, des capteurs montés sur un profileur automatique surveillent l'ensemble de la colonne d'eau, fournissant une base de données précieuse pour el développement du système prédictif.

L'IA contre les cyanobactéries

« Nous avons développé une méthode simple mais extrêmement robuste qui nous permet de prédire le moment et l'intensité des affleurements cyanobactériens », explique Claudia Fournier, chercheuse au Département de biologie de l'UAM. « Pour ce faire, nous avons uniquement besoin de données sur la température de l'eau, la concentration de chlorophylle-a, qui est un pigment présent dans toutes les algues, et de phycocyanine », un pigment spécifique issu des cyanobactéries de l'eau douce».

La méthodologie utilisée comprenait un prétraitement flexible des données et l'utilisation de modèles prédictifs de complexité variable, y compris les techniques d'apprentissage automatique (apprentissage automatique) et apprentissage profond (apprentissage profond), comme les réseaux de neurones à mémoire à long terme (LSTM).

L'efficacité des modèles a été évalué avec des périodes de prévision comprises entre 4 et 28 jours, et le modèle LSTM a atteint une précision de 90 % dans la prévision des niveaux d'alerte, à la fois pour des horizons de prévision courts (4 jours) et plus longs (28 jours).

Grâce à des modèles d'apprentissage profond et d'apprentissage automatique, ce système utilisant l'intelligence artificielle serait capable de protéger les écosystèmes aquatiques contre présence de ces cyanobactéries et, en même temps, améliorer la gestion de l'eau.