Desarrollan un sensor económico y eficaz para detectar floraciones algales en tiempo real

El Instituto Coreano de Tecnología en Ingeniería Civil y Construcción (KICT) ha desarrollado un sistema de monitorización de floraciones algales en tiempo real que combina sensores ópticos de bajo costo con un novedoso sistema de etiquetado. Este avance, que supera la precisión de modelos de inteligencia artificial de última generación como Gradient Boosting y Random Forest, ha sido publicado en la revista Environmental Monitoring and Assessment.

Las floraciones algales nocivas (HABs, por sus siglas en inglés) representan una amenaza considerable para la calidad del agua, la salud pública y los ecosistemas acuáticos. Los métodos tradicionales de detección, como la teledetección mediante satélites o drones, son prohibitivos en términos de costo y no son adecuados para un funcionamiento continuo en el campo.

Sistema de Detección y Algoritmos Avanzados

Con el fin de abordar este desafío, el equipo de investigación dirigido por el doctor Lee, Jai-Yeop, ha creado una sonda compacta basada en sensores que integra sensores de luz ambiental y de luz solar en una plataforma basada en microcontroladores. Este dispositivo clasifica las condiciones de la superficie del agua en cuatro etiquetas: «algas», «soleado», «sombra» y «agua», a partir de lecturas en tiempo real de cuatro variables de sensores: lux (lx), ultravioleta (UV), luz visible (VIS) e infrarrojo (IR).

El etiquetado de datos de sensores se procesó utilizando un clasificador de Máquinas de Soporte Vectorial (SVM) con cuatro variables de entrada, logrando una precisión del 92,6%. Para mejorar aún más el rendimiento, el equipo de investigación construyó un algoritmo de clasificación basado en lógica secuencial que interpreta las condiciones de frontera del SVM, alcanzando una precisión del 95,1%.

Cuando se aplica el Análisis de Componentes Principales (PCA) para la reducción de dimensiones seguido de la clasificación SVM, la precisión alcanza el 91,0%. Sin embargo, aplicar secuencias lógicas en los límites SVM transformados por PCA resultó en una precisión del 100%, superando a los modelos de Random Forest y Gradient Boosting, que alcanzaron el 99,2%. Este enfoque demuestra que la simplicidad y la lógica pueden superar la complejidad, especialmente en entornos limitados.

El sistema también cuantifica las concentraciones de clorofila-a (Chl-a), un marcador esencial para las floraciones algales nocivas, utilizando un modelo de Regresión Lineal Múltiple (MLR). Este modelo, derivado de las mismas cuatro entradas de sensores, logró una tasa de error del 14,3% para niveles de Chl-a superiores a 5 mg/L, demostrando su fiabilidad para uso práctico en el campo. A diferencia de modelos no lineales complejos, el modelo MLR funciona de manera eficiente en dispositivos de bajo consumo y es fácilmente interpretable y mantenible.

Este estudio representa un avance significativo en la monitorización de la calidad del agua de forma accesible y asequible. Al combinar tecnología de sensores IoT de bajo costo con modelos basados en lógica eficientes, el sistema permite la detección en tiempo real de floraciones algales sin necesidad de hardware costoso o de grandes cantidades de datos de entrenamiento.