L’apprentissage automatique utilisant des données sur les modèles climatiques peut aider à prédire plus tôt les proliférations d’algues nuisibles

Les proliférations d’algues nuisibles (HAB) sont des colonies de phytoplancton qui peuvent nuire à l’écosystème aquatique et à la santé humaine. Les mortalités massives de poissons, les fermetures de crustacés et la réticence des consommateurs à manger des fruits de mer souvent causées par ces efflorescences coûtent aux États-Unis en moyenne 4,6 milliards de dollars par an.

Une nouvelle étude impliquant Florida Tech montre qu’une nouvelle approche d’apprentissage automatique utilisant des modèles climatiques mondiaux peut améliorer la prédiction saisonnière des HAB. Cette amélioration pourrait signifier plus de temps pour les décideurs politiques pour envisager et adopter des stratégies de planification et d’atténuation appropriées, telles que des restrictions de récolte, et aider à surveiller les toxines dans les mollusques et crustacés pour empêcher les produits contaminés d’être commercialisés, rapportent les chercheurs.

« Amélioration de la prévision saisonnière des proliférations d’algues nuisibles à l’aide d’indices climatiques à grande échelle », publié aujourd’hui dans la revue Communications Terre et Environnement, ont constaté que la saisie des modèles climatiques mondiaux dans un cadre basé sur l’apprentissage automatique améliorait la prédiction saisonnière des HAB sur le lac Érié. Les chercheurs ont également découvert que l’utilisation des données sur les modèles climatiques permettait d’effectuer la prévision saisonnière améliorée plus tôt que d’habitude.

« Tout progrès dans la compréhension et la prédiction des HAB peut avoir un impact significatif aux États-Unis et dans le monde », a déclaré Pallav Ray, météorologue et professeur agrégé en génie océanique et sciences marines à Florida Tech et co-auteur de l’étude. .

Classiquement, la prédiction HAB est effectuée à l’aide d’informations sur les produits chimiques provenant des industries et des terres agricoles qui sont transportés dans les plans d’eau par le ruissellement. Cependant, les prévisions HAB qui utilisent ces données chimiques comme principal moteur se sont avérées moins précises pendant les années de floraison extrême. La nouvelle recherche a révélé que lorsqu’un ensemble de modèles climatiques était utilisé dans une nouvelle approche d’apprentissage automatique avec ces données chimiques, la précision de la prédiction HAB sur le lac Érié s’améliorait considérablement.

Un nombre croissant de plans d’eau, y compris la lagune de la rivière Indian, sont gravement touchés par une charge excessive en nutriments. Le lac Érié est touché dans son bassin versant en raison de la présence de grandes installations de fabrication et de vastes terres agricoles. Cela a conduit à des proliférations de plus en plus importantes et profondes au cours des dernières décennies.

L’étude a également révélé que les structures océan-atmosphère à grande échelle sont nettement différentes pendant les années HAB douces par rapport aux années HAB sévères, ce qui suggère l’influence de la circulation à grande échelle sur l’évolution saisonnière des HAB sur le lac Érié.

« Ces résultats devraient aider à prolonger le délai d’exécution et à améliorer la prévision saisonnière des HAB non seulement dans le lac Érié, mais également dans d’autres plans d’eau du monde où les données chimiques peuvent ne pas être disponibles », a déclaré Ray.

L’auteur principal Mukul Tewari, scientifique de l’atmosphère au Centre de recherche IBM Thomas J. Watson à Yorktown Heights, New York, a déclaré que la recherche met également en évidence l’importance et la valeur d’avoir une équipe de recherche variée. « Tout progrès significatif dans la prédiction des HAB nécessite une collaboration interdisciplinaire entre les experts des HAB, de la science du climat, de l’apprentissage automatique et des sciences informatiques et des données », a-t-il déclaré.