Investigadores de la Universidad de Kiel usaron aprendizaje automático para prever mejor la falta de oxígeno en el mar Báltico
Redactor: Camila Herrera R.
Editor: Karem Díaz S.
La falta de oxígeno en el oeste del mar Báltico no es un episodio extraño. En las aguas profundas de esta región se forman con frecuencia condiciones pobres en oxígeno que presionan a los ecosistemas marinos y, en casos extremos, pueden provocar mortalidad de peces. Con el aumento de la temperatura oceánica asociado al cambio climático, estos episodios podrían volverse más severos y difíciles de anticipar.
Un equipo de investigación de la Universidad de Kiel, en Alemania, demostró que incluso los modelos oceánicos considerados débiles pueden aportar información útil para mejorar los pronósticos ambientales. El estudio, publicado el 8 de junio en Scientific Reports, combinó modelos numéricos, datos reales de observación y métodos de aprendizaje automático para predecir con mayor precisión las concentraciones de oxígeno en la bahía de Eckernförde.
El trabajo fue liderado por la doctora Ulrike Löptien, del Instituto de Geociencias y del Instituto de Informática de la Universidad de Kiel. La investigación cuestiona una práctica habitual en la modelización ambiental: descartar simulaciones que no reproducen bien las observaciones. En este caso, esos modelos de bajo rendimiento contenían señales valiosas sobre condiciones raras o extremas.
La investigación se suma a las alertas recientes sobre la pérdida de oxígeno en los océanos, un proceso que afecta la vida marina, la calidad del agua y la capacidad de los ecosistemas costeros para responder al calentamiento global.
Por qué el Báltico pierde oxígeno
El mar Báltico atraviesa desde hace décadas un problema de eutrofización. Los aportes de nutrientes procedentes de la agricultura y las aguas residuales han sobrealimentado el sistema, favoreciendo floraciones de algas. Cuando esa materia orgánica se descompone, consume oxígeno en las capas profundas y puede dejar zonas enteras bajo estrés ambiental.
La falta de oxígeno afecta a peces, organismos bentónicos y otros componentes de la red trófica. También puede deteriorar la calidad del agua y alterar procesos biogeoquímicos que sostienen el equilibrio del ecosistema. En escenarios extremos, las capas profundas se vuelven poco habitables para especies que necesitan oxígeno disuelto.
El calentamiento añade presión porque el agua más cálida retiene menos oxígeno y puede reforzar la estratificación de la columna de agua. Cuando las capas superficiales y profundas se mezclan menos, el oxígeno atmosférico llega con mayor dificultad a las zonas bajas. Este patrón ya había sido observado en análisis sobre cómo el calentamiento agrava el agotamiento del oxígeno en el mar Báltico.
Modelos imperfectos con información oculta
Los pronósticos de oxígeno en aguas costeras suelen basarse en modelos numéricos. Sin embargo, ningún modelo individual puede representar por completo la complejidad de la realidad marina. Por eso, en meteorología y clima se utilizan conjuntos de modelos, conocidos como ensambles, que combinan varias simulaciones para obtener una predicción más robusta.
En la modelización oceánica y biogeoquímica, estos enfoques todavía están en una etapa más temprana y requieren ajustes específicos para cada problema. En la bahía de Eckernförde, los investigadores combinaron modelos con diferentes supuestos sobre mezcla del agua, producción primaria, consumo de oxígeno y procesos biológicos.
La novedad fue incluir deliberadamente modelos de bajo rendimiento y versiones con parámetros extremos, incluso simulaciones sin efectos bióticos. En un análisis tradicional, muchas de esas simulaciones habrían sido descartadas. En este estudio, en cambio, fueron integradas en un algoritmo de bosque aleatorio, un método de aprendizaje automático capaz de aprender cuándo cada modelo aporta información relevante.
La inteligencia artificial mejora el pronóstico
El algoritmo fue entrenado con observaciones reales para reconocer bajo qué condiciones cada simulación ofrecía señales útiles. El resultado fue claro: promediar todos los modelos de manera estándar apenas mejoró el desempeño frente a los mejores modelos individuales, mientras que la combinación apoyada por aprendizaje automático elevó de forma significativa la calidad de las predicciones.
Algunas de las simulaciones más débiles resultaron especialmente valiosas para el pronóstico final. Su aporte no estaba en describir bien las condiciones comunes, sino en captar aspectos de situaciones raras o extremas que los modelos más fuertes podían pasar por alto.
El coautor Heiner Dietze, también del Instituto de Geociencias y del Instituto de Informática de la Universidad de Kiel, destacó que la diversidad dentro de un ensamble puede ser más útil que depender únicamente de los modelos con mejor desempeño individual. Esta idea es relevante para otros campos donde los modelos oceánicos ayudan a comprender fenómenos complejos vinculados al clima.
Datos de largo plazo para entrenar los sistemas
El avance fue posible porque la bahía de Eckernförde cuenta con una larga historia de mediciones. El equipo utilizó datos observacionales recopilados entre 2000 y 2015 mediante programas de monitoreo de largo plazo, con participación de la Agencia Estatal de Medio Ambiente de Schleswig-Holstein y del Centro Helmholtz de Investigación Oceánica GEOMAR en Kiel.
Ese archivo permitió entrenar el sistema con datos reales, una condición clave para que el algoritmo aprendiera a reconocer cuándo una simulación aparentemente débil podía aportar información útil. Sin series históricas extensas, resulta mucho más difícil validar pronósticos y detectar umbrales extremos.
La investigación también subraya el valor de mantener observatorios marinos, sensores y programas continuos de medición. La pérdida de datos reduce la capacidad de detectar cambios en oxígeno, temperatura, circulación y calidad del agua, un riesgo señalado recientemente ante la posible pérdida de información clave en un observatorio oceánico.
Una lección para costas y ecosistemas marinos
Los autores advierten que no todas las regiones marinas disponen de datos históricos tan completos como Eckernförde. Además, los umbrales extremos, incluidos posibles puntos de inflexión ecológica, son difíciles de predecir. Aun así, el estudio plantea una ruta metodológica: aceptar la incertidumbre, explorar supuestos extremos y usar aprendizaje automático para extraer valor de la diversidad de modelos.
La utilidad del enfoque va más allá del mar Báltico. Los modelos biogeoquímicos se emplean en todo el mundo para estimar impactos del cambio climático sobre ecosistemas marinos, evaluar riesgos de desoxigenación y analizar medidas de protección de aguas costeras.
En un contexto de calentamiento oceánico, acidificación y pérdida de oxígeno, mejorar los pronósticos permite anticipar riesgos para pesquerías, biodiversidad y comunidades costeras. Los modelos no sustituyen las mediciones, pero pueden convertir grandes volúmenes de datos en alertas más útiles para la gestión ambiental.
La desoxigenación marina es uno de los procesos más preocupantes del cambio climático porque reduce el espacio habitable para numerosas especies. La combinación de datos, modelos y aprendizaje automático puede ayudar a detectar mejor esos cambios antes de que deriven en daños severos para los ecosistemas, una preocupación que también aparece en estudios sobre la desoxigenación de aguas profundas.
Fuente(s) referenciales
