Schädliche Algenblüten (HABs) sind Phytoplanktonkolonien, die das aquatische Ökosystem und die menschliche Gesundheit schädigen können. Das Fischsterben, das Schließen von Schalentieren und die Zurückhaltung der Verbraucher beim Verzehr von Meeresfrüchten, die häufig durch diese Blüten verursacht werden, kosten die USA jährlich durchschnittlich 4,6 Milliarden US-Dollar.
Eine neue Studie, an der Florida Tech beteiligt ist, zeigt, dass ein neuartiger maschineller Lernansatz unter Verwendung globaler Klimamuster die saisonale Vorhersage von HABs verbessern kann. Diese Verbesserung könnte den politischen Entscheidungsträgern mehr Zeit geben, geeignete Planungs- und Minderungsstrategien zu erwägen und zu verabschieden, wie etwa Fangbeschränkungen, und bei der Überwachung von Toxinen in Schalentieren helfen, um kontaminierte Produkte vom Markt fernzuhalten, berichten die Forscher.
„Verbesserte saisonale Vorhersage schädlicher Algenblüten unter Verwendung groß angelegter Klimaindizes“, veröffentlicht heute in der Zeitschrift Kommunikation Erde und Umwelt, fanden heraus, dass die Eingabe globaler Klimamuster in einen auf maschinellem Lernen basierenden Rahmen die saisonale Vorhersage von HABs über dem Eriesee verbesserte. Die Forscher fanden auch heraus, dass die Verwendung von Klimamusterdaten es ermöglichte, die verbesserte saisonale Vorhersage früher als gewöhnlich abzuschließen.
„Jeder Fortschritt beim Verständnis und der Vorhersage von HABs kann in den USA und auf der ganzen Welt einen erheblichen Einfluss haben“, sagte Pallav Ray, Meteorologe und außerordentlicher Professor für Meerestechnik und Meereswissenschaften an der Florida Tech und Mitautor der Studie .
Herkömmlicherweise wird die HAB-Vorhersage unter Verwendung von Informationen über Chemikalien aus Industrien und landwirtschaftlichen Flächen durchgeführt, die durch Abfluss in Gewässer transportiert werden. Es wurde jedoch festgestellt, dass HAB-Vorhersagen, die diese chemischen Daten als Haupttreiber verwenden, in extremen Blütejahren weniger genau sind. Die neue Forschung ergab, dass sich die HAB-Vorhersagegenauigkeit über dem Eriesee dramatisch verbesserte, wenn eine Reihe von Klimamustern in einem neuartigen maschinellen Lernansatz zusammen mit diesen chemischen Daten verwendet wurde.
Eine wachsende Zahl von Gewässern, einschließlich der Indian River Lagoon, sind stark von übermäßiger Nährstoffbelastung betroffen. Der Eriesee ist an seiner Wasserscheide aufgrund des Vorhandenseins großer Produktionsanlagen und ausgedehnter landwirtschaftlicher Flächen betroffen. Dies hat in den letzten Jahrzehnten zu immer größeren und tieferen Blüten geführt.
Die Studie fand auch heraus, dass die großräumigen Ozean-Atmosphäre-Strukturen in milden HAB-Jahren im Vergleich zu schweren HAB-Jahren deutlich unterschiedlich sind, was auf den Einfluss der großräumigen Zirkulation auf die saisonale Entwicklung von HABs über dem Eriesee hindeutet.
„Diese Ergebnisse werden voraussichtlich dazu beitragen, die Vorlaufzeit zu verlängern und die saisonale Vorhersage von HABs nicht nur im Eriesee, sondern auch in anderen Gewässern auf der ganzen Welt zu verbessern, in denen möglicherweise keine chemischen Daten verfügbar sind“, sagte Ray.
Der Hauptautor Mukul Tewari, ein Atmosphärenwissenschaftler am IBM Thomas J. Watson Research Center in Yorktown Heights, New York, sagte, dass die Studie auch die Bedeutung und den Wert eines vielfältigen Forschungsteams hervorhebt. „Jeder signifikante Fortschritt bei der Vorhersage von HABs erfordert eine interdisziplinäre Zusammenarbeit zwischen Experten für HABs, Klimawissenschaften, maschinelles Lernen sowie Computer- und Datenwissenschaften“, sagte er.
Mukul Tewari et al., Verbesserte saisonale Vorhersage schädlicher Algenblüten im Eriesee unter Verwendung großräumiger Klimaindizes, Kommunikation Erde & Umwelt (2022). DOI: 10.1038/s43247-022-00510-w