En el verano de 2022, el lago de Mar Chiquita, en Córdoba, se tiñó de un verde brillante que dejó sin peces a los pescadores y ahuyentó a los turistas. Lo que parecía un fenómeno aislado fue, en realidad, la señal de una floración algal tóxica que, si no se detecta a tiempo, puede contaminar el agua, dañar la fauna y poner en riesgo la salud humana.
El problema de las floraciones algales
Las algas microscópicas se multiplican rápido cuando encuentran nutrientes excesivos (fósforo y nitrógeno) y condiciones climáticas favorables. Cuando ciertas especies producen toxinas, se habla de florecimientos nocivos (HABs, por sus siglas en inglés). Estos eventos:
- Afectan la potabilidad del agua.
- Provocan mortalidad masiva de peces y otros organismos.
- Generan pérdidas económicas en turismo y pesca.
- Son difíciles de prever con métodos tradicionales, que dependen de muestreos puntuales y análisis de laboratorio tardíos.
Cómo funciona el sistema de IA
Un consorcio de investigadores del CONICET y la Universidad Nacional de Córdoba desarrolló una plataforma que integra tres fuentes de datos:
- Imágenes satelitales (Sentinel‑2 y Landsat) que capturan la clorofila‑a y la reflectance del agua en tiempo casi real.
- Sensores IoT instalados en boyas que miden temperatura, pH, oxígeno disuelto y concentraciones de nutrientes cada hora.
- Datos meteorológicos y de cuencas (precipitación, viento, escorrentía agrícola) provistos por servicios nacionales.
Con estos inputs, se entrenó una red neuronal convolucional recurrente (CNN‑RNN) capaz de:
- Detectar patrones espaciales‑temporales que preceden a la proliferación de especies tóxicas.
- Generar una probabilidad de florecimiento para cada punto del lago con una anticipación de 3 a 5 días.
- Enviar alertas automáticas a autoridades locales y gestores de recursos hídricos mediante una aplicación web y SMS.
Caso de estudio: Lago de Mar Chiquita
Durante la temporada 2023‑2024, el sistema operó en modo piloto:
- Detección temprana: En tres ocasiones, la IA señaló una probabilidad >80 % de florecimiento antes de que las concentraciones de toxinas superaran el límite de seguridad.
- Intervención rápida: Las autoridades redujeron la descarga de efluentes agrícolas y aumentaron la aeración en zonas críticas, logrando contener la expansión del florecimiento en un 70 %.
- Resultados: Se evitó la cierre de dos balnearios y se estimó un ahorro de aproximadamente USD 1,2 millones en pérdidas turísticas y costos de tratamiento de agua.
Impacto y lecciones aprendidas
- Precisión: El modelo alcanzó un AUC (área bajo la curva ROC) de 0.92 en validación cruzada.
- Escalabilidad: La arquitectura es modular; basta con cambiar las fuentes de satelitales y ajustar los umbrales de nutrientes para aplicarla a otros cuerpos de agua.
- Colaboración: El éxito dependió de la articulación entre científicos, gestores de agua y comunidades locales, que recibieron capacitación para interpretar las alertas.
Futuro: escalabilidad y otros cuerpos de agua
El equipo ya está probando la plataforma en el Río de la Plata y en la laguna de Gómez (Buenos Aires), donde las floraciones de cianobacterias son recurrentes. Además, se探索a la integración de datos de ADN ambiental (eDNA) para identificar las especies exactas presentes y afinar las predicciones de toxicidad.
En un mundo donde el cambio climático intensifica los eventos de eutrofización, contar con una IA que actúe como un centinela silencioso sobre nuestras aguas podría marcar la diferencia entre un lago sano y una crisis ambiental.