A inteligência artificial que aprimora o monitoramento remoto de corpos d'água - destacando mudanças de qualidade devido à mudança climática ou poluição - foi desenvolvida por pesquisadores da Universidade de Stirling.

Um novo algoritmo - conhecido como método de meta-aprendizagem - analisa os dados diretamente dos sensores de satélite, tornando mais fácil para a zona costeira, gerentes ambientais e da indústria para monitorar questões como proliferação de algas nocivas (HABs) e possível toxicidade em moluscos e peixes.

Agências de proteção ambiental e órgãos da indústria atualmente monitoram o 'estado trófico' da água - sua produtividade biológica - como um indicador da saúde do ecossistema. Grandes aglomerados de algas microscópicas, ou fitoplâncton, é chamado de eutrofização e pode se transformar em HABs, um indicador de poluição e que representa um risco para a saúde humana e animal.

Estima-se que os HABs custem à indústria escocesa de moluscos £ 1,4 milhões por ano, e um único evento HAB na Noruega matou oito milhões de salmões em 2019, com um valor direto de mais de £ 74 milhões.

O autor principal Mortimer Werther, um Ph.D. Pesquisador em Ciências Biológicas e Ambientais na Faculdade de Ciências Naturais de Stirling, disse:"Atualmente, sensores montados em satélites, como o Ocean and Land Instrument (OLCI), medir as concentrações de fitoplâncton usando um pigmento óptico chamado clorofila-a. Contudo, recuperar a clorofila-a em toda a natureza diversa das águas globais é metodologicamente desafiador.

"Desenvolvemos um método que ignora a recuperação da clorofila-a e nos permite estimar o estado de saúde da água diretamente a partir do sinal medido no sensor remoto."

A eutrofização e a eutrofização exagerada são muitas vezes causadas pela entrada excessiva de nutrientes, por exemplo, de práticas agrícolas, descarga de resíduos, ou produção de alimentos e energia. Em águas impactadas, HABs são comuns, e as cianobactérias podem produzir cianotoxinas que afetam a saúde humana e animal. Em muitos locais, essas florações são motivo de preocupação para as indústrias de aquicultura de peixes e crustáceos.

Werther disse:"Para entender o impacto das mudanças climáticas nos ambientes aquáticos de água doce, como lagos, muitos dos quais servem como recursos de água potável, é essencial que monitoremos e avaliemos os principais indicadores ambientais, como o estado trófico, em escala global com alta frequência espacial e temporal.

"Essa pesquisa, financiado pelo programa Horizonte 2020 da União Europeia, é a primeira demonstração de que o estado trófico de águas interiores e próximas à costa pode ser aprendido diretamente por algoritmos de aprendizado de máquina a partir de medições de refletância OLCI. Nosso algoritmo pode produzir estimativas para todos os estados tróficos em imagens adquiridas pelo OLCI sobre corpos d'água globais.

"Nosso método supera uma abordagem de última geração comparável em 5–12% em média em todo o espectro de estados tróficos, pois também elimina a necessidade de escolher o algoritmo certo para observação da água. Ele estima o estado trófico com mais de 90% de precisão para águas eutróficas e hipereutróficas altamente afetadas. "