Machine Learning in Harmful Algal Bloom Monitoring

• Autores: Andrés Molares Ulloa
• Directores de la Tesis: Enrique Fernandez-Blanco (dir. tes.) , Daniel Rivero (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2025
• Idioma: inglés
• Número de páginas: 150
• Tribunal Calificador de la Tesis: Victoria Suárez Ulloa (presid.) , Julián Dorado (secret.) , José Luis Oliveira (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    Las Floraciones Algales Nocivas (FAN) representan un problema crítico para la industria acuícola, sobre todo en zonas costeras donde el cultivo de moluscos es un pilar económico. Estas proliferaciones, propiciadas por factores como el cambio climático, la eutrofización o las corrientes marinas, incluyen diversas especies de fitoplancton que generan biotoxinas peligrosas para los consumidores. Los moluscos, al ser organismos filtradores, acumulan dichas toxinas en sus tejidos, por lo que su consumo puede derivar en graves intoxicaciones. Además de los riesgos sanitarios, los episodios de FAN obligan al cierre preventivo de las áreas de producción de moluscos mientras duren los niveles tóxicos, ocasionando cuantiosas pérdidas económicas y prolongados periodos de inactividad.

    Tradicionalmente, la investigación sobre FAN ha focalizado sus esfuerzos en la concentración de biomasa fitoplanctónica, en la presencia de ciertas especies o en la mortalidad de los moluscos. No obstante, la normativa europea exige comprobar la presencia de toxinas en la carne de los bivalvos, criterio que determina la apertura o cierre de las zonas de explotación. Esta disparidad metodológica dificulta la comparación y el progreso homogéneo de los distintos estudios, a lo que se suma la inexistencia de un conjunto de datos estandarizado y público. Adicionalmente, la escasez de datos continuos (a menudo muestreados de manera irregular o con grandes lagunas) complica el entrenamiento de modelos predictivos fiables.

    En respuesta a estos desafíos, la presente Tesis Doctoral propone varias innovaciones.

    En primer lugar, desplaza el foco de la predicción a la variable que emplean las agencias reguladoras: los niveles de toxinas en el mejillón. Este cambio garantiza una aplicación más directa de los resultados en las políticas de control y cierre cautelar.

    En segundo lugar, desarrolla y evalúa nuevos enfoques de aprendizaje automático, incluyendo técnicas híbridas que muestran un mayor rendimiento y robustez. Asimismo, se introducen métodos de imputación de datos faltantes mediante modelos de aprendizaje automático, permitiendo reconstruir series temporales interrumpidas y mejorar la consistencia de los conjuntos de datos. Otro avance clave reside en la incorporación de principios de Inteligencia Artificial Explicable, que incrementan la interpretabilidad de las predicciones y facilitan su adopción en programas de alerta temprana. Además, se exploran fuentes de información adicionales, incluyendo modelos hidrodinámicos como CROCO y registros oceanográficos diarios, posibilitando predicciones diarias que anticipan con mayor precisión los cierres productivos. Gracias a este conjunto de aportaciones, la Tesis abre nuevas vías para que las herramientas de modelización predictiva se integren en la gestión gubernamental, promoviendo una respuesta oportuna y reduciendo el impacto de las FAN en el sector acuícola

  • English

    Harmful Algal Blooms (HAB) represent a critical problem for the aquaculture industry, especially in coastal areas where shellfish farming is an economic pillar. These proliferations, driven by factors such as climate change, eutrophication, and ocean currents, include various species of phytoplankton that produce biotoxins dangerous to consumers. As filter feeders, shellfish accumulate these toxins in their tissues, so their consumption can lead to severe intoxications. In addition to the health risks, HAB episodes force the preventive closure of mollusc production areas while toxic levels persist, resulting in substantial economic losses and prolonged periods of inactivity.

    Traditionally, research on HAB has focused its efforts on phytoplankton biomass concentration, the presence of certain species, or shellfish mortality. However, European regulations require verifying the presence of toxins in the flesh of bivalves, a criterion that determines whether production areas are open or closed. This methodological disparity hampers the comparison and homogeneous progress of different studies, compounded by the absence of a standardized and publicly available dataset. Additionally, the scarcity of continuous data (often sampled irregularly or with significant gaps) complicates the training of reliable predictive models.

    In response to these challenges, this Doctoral Thesis proposes several innovations.

    First, it shifts the focus of prediction to the variable used by regulatory agencies: toxin levels in mussels. This change ensures a more direct application of the results in control and cautionary closure policies. Second, it develops and evaluates new machine learning approaches, including hybrid techniques that demonstrate greater performance and robustness.

    Moreover, methods for imputing missing data using machine learning models are introduced, allowing the reconstruction of interrupted time series and improving the consistency of datasets.

    Another key advance lies in the incorporation of Explainable Artificial Intelligence principles, which increase the interpretability of predictions and facilitates their adoption in early warning programs. Moreover, additional information sources are explored, including hydrodynamic models such as CROCO and daily oceanographic records, enabling daily predictions that more accurately anticipate production closures. Thanks to this set of contributions, this Thesis opens new avenues for integrating predictive modelling tools into governmental management, promoting a timely response and reducing the impact of HAB on the aquaculture sector.

  • galego

    As Floracións Algais Nocivas (FAN) representan un problema crítico para a industria acuícola, sobre todo en zonas costeiras onde o cultivo de moluscos é un piar económico. Estas proliferacións, propiciadas por factores como o cambio climático, a eutrofización ou as correntes mariñas, inclúen diversas especies de fitoplancto que xeran biotoxinas perigosas para os consumidores. Os moluscos, ao ser organismos filtradores, acumulan ditas toxinas nos seus tecidos, polo que o seu consumo pode derivar en graves intoxicacións. Ademais dos riscos sanitarios, os episodios de HAB obrigan ao peche preventivo das áreas de produción de moluscos mentres duren os niveis tóxicos, ocasionando cuantiosas perdas económicas e prolongados per´ıodos de inactividade.

    Tradicionalmente, a investigación sobre FAN focalizou os seus esforzos na concentración de biomasa fitoplanctónica, na presenza de certas especies ou na mortalidade dos moluscos. Con todo, a normativa europea esixe comprobar a presenza de toxinas na carne dos bivalvos, criterio que determina a apertura ou peche das zonas de explotación. Esta disparidade metodolóxica dificulta a comparación e o progreso homoxéneo dos distintos estudos, ao que se suma a inexistencia dun conxunto de datos estandarizado e público. Adicionalmente, a escaseza de datos continuos (a miúdo a sua mostraxe faise de maneira irregular ou con grandes lagoas) complica o adestramento de modelos preditivos fiables.

    En resposta a estes desafíos, a presente Tese Doutoral propón varias innovacións.

    En primeiro lugar, despraza o foco da predición á variable que empregan as axencias reguladoras: os niveis de toxinas no mexillón. Este cambio garante unha aplicación máis directa dos resultados nas políticas de control e peche cautelar. En segundo lugar, desenvolve e avalía novos enfoques de aprendizaxe automática, incluíndo técnicas híbridas que mostran un maior rendemento e robustez. Así mesmo, introdúcense métodos de imputación de datos faltantes mediante modelos de aprendizaxe automática, permitindo reconstruír series temporais interrompidas e mellorar a consistencia dos conxuntos de datos.

    Outro avance crave reside na incorporación de principios de Intelixencia Artificial Explicable, que incrementan a interpretabilidade das predicións e facilitan a súa adopción en programas de alerta temperá. Ademais, explóranse fontes de información adicionais, incluíndo modelos hidrodinámicos como CROCO e rexistros oceanográficos diarios, posibilitando predicións diarias que anticipan con maior precisión os peches produtivos. Grazas a este conxunto de achegas, a Tese abre novas vías para que as ferramentas de modalización preditiva intégrense na xestión gobernamental, promovendo unha resposta oportuna e reducindo o impacto das FAN no sector acuícola.