Ingenieŕıa basada en modelos para la
gestión de afloraciones de

cianobacterias

Universidad Complutense de Madrid

Facultad de Ingenieŕıa Informática

Trabajo de Fin de Máster del Máster en Ingenieŕıa Informática

Curso 2022/23

Model driven engineering for the
management of cyanobacteria blooms

Convocatoria: Febrero 2023 Autora:

Calificación: 10 Beatriz Herguedas Pinedo

Directores:
José Luis Risco Mart́ın

Eva Besada Portas

Madrid, 10 de febrero de 2023





Resumen

En la actualidad, la escasez de agua es un tema que está a la orden del d́ıa ya que
el abastecimiento está condicionado por el cambio climático, la sobreexplotación y la
contaminación. Además, a estos factores condicionantes hemos de añadir las afloraciones
de algas y cianobacterias (HABs, del inglés, Harmful Algal and Cyanobacterial Blooms),
que al ocurrir en todo tipo de masas de agua y conllevar la producción de toxinas nocivas
para la salud humana y de los animales, tienen un gran impacto ambiental y económico.

Hasta ahora, estas afloraciones han sido evaluadas principalmente realizando una recolec-
ción manual y un posterior análisis de las muestras de agua, o con la ayuda ocasional de
ciertos instrumentos automáticos que adquieren información de ubicaciones fijas, como
podŕıan ser algunas boyas de muestreo periódico que se encuentran ancladas en lagos y
embalses.

Sin embargo, aunque lo ideal es disponer de sistemas de alerta temprana para la detección
de cianobacterias, los procedimientos utilizados hasta el momento no suelen proporcionar
datos con la consistencia espacial y temporal suficiente para poder anticipar la formación
de HABs, por lo que los sistemas de alerta temprana existentes no tienen las prestaciones
necesarias para predecir de forma adecuada y con la anticipación suficiente la evolución
de cianobacterias.

Por todo esto, es necesario desarrollar nuevas técnicas y herramientas que combinen re-
cogidas de datos más exhaustivas con simulaciones numéricas de los HABs para detectar,
caracterizar y poder predecir y responder eficientemente a las afloraciones que amenazan
la calidad del agua y la salud de los seres vivos. Por ello, en este trabajo se propone
implementar una solución integral para la monitorización y gestión en tiempo real de
las afloraciones de cianobacterias, respaldada por una infraestructura de ingenieŕıa de
sistemas basada en modelos (MBSE, del inglés, Model-Based Systems Engineering) para
entornos dinámicos.

Palabras clave

Monitorización de cianobacterias, Afloraciones de Algas Nocivas (HABs), Modelado y
Simulación (M&S), Sistemas de Alerta Temprana (EWS), Especificación de Sistemas de
Eventos Discretos (DEVS).

I





Abstract

Nowadays, water scarcity is an issue that is the order of the day as water supply is
conditioned by climate change, overexploitation and pollution. In addition to these con-
ditioning factors, Harmful Algal and Cyanobacterial Blooms (HABs), which occur in all
types of water bodies and produce toxins that are harmful to human and animal health,
have a major environmental and economic impact.

So far, these upwellings have been assessed mainly by manual collection and subsequent
analysis of water samples, or with the occasional help of certain automatic instruments
that acquire information from fixed locations, such as some periodic sampling buoys that
are anchored in lakes and reservoirs.

However, although the ideal is to have early warning systems for the detection of cyanobac-
teria, the procedures used so far do not usually provide data with sufficient spatial and
temporal consistency to anticipate the formation of HABs, so that existing early warning
systems do not have the necessary performance to adequately predict the evolution of
cyanobacteria sufficiently in advance.

Therefore, it is a need to develop new techniques and tools that combine more com-
prehensive data collection with numerical simulations of HABs to detect, characterize,
predict and efficiently respond to upwelling that threaten water quality and the health of
living organisms. Therefore, in this work we propose to implement a comprehensive so-
lution for real-time monitoring and management of cyanobacterial blooms, supported by
a Model-Based Systems Engineering (MBSE) infrastructure for dynamic environments.

Keywords

Cyanobacteria monitoring, Harmful Algal and Cyanobacteria Blooms (HABs), Modeling
and Simulation (M&S), Early Warning Systems (EWS), Discrete Event System Specifi-
cation (DEVS).

III





Índice general

1. Introducción 1
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Estructura del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2. Estado del arte 8
2.1. Cianobacterias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.1. Morfoloǵıa y alimentación . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2. Comportamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.3. Impacto ambiental, económico y sanitario . . . . . . . . . . . . . . 11
2.1.4. Tratamiento actual . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2. Sistemas de detección y alerta temprana . . . . . . . . . . . . . . . . . . . 12
2.3. DEVS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3. Arquitectura del sistema 19
3.1. Imagen general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Arquitectura en DEVS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2.1. Capa Edge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.2. Capa Fog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.3. Capa Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4. Implementación de los subsistemas de predicción y análisis 28
4.1. Predicción del bloom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2. Análisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.2.1. Informes de la capa Fog . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2. Informes de la capa Cloud . . . . . . . . . . . . . . . . . . . . . . . 44

4.3. Servicio de entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

5. Caso de uso 51
5.1. Descripción del escenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2. Simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3. Análisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.4. Entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

6. Conclusiones 62
6.1. Revisión de objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

V



ÍNDICE GENERAL

Anexos 65

A. Introduction 66
A.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
A.2. Context . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.3. Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.4. Document structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

B. Conclusions 72
B.1. Review of objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
B.2. Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Bibliograf́ıa 75



Índice de figuras

1.1. Afloración de cianobacterias en la superficie de un ŕıo (fuente: [8]) . . . . . 2
1.2. Extracción manual de muestras para el análisis del agua (fuente: [12]) . . . 3
1.3. Boya de muestreo periódico del agua (fuente: [14]) . . . . . . . . . . . . . . 4

2.1. Cianobacterias observadas al microscopio (fuentes [22, 23]) . . . . . . . . . 9
2.2. Distintas configuraciones de cianobacterias en el espacio (fuente [36]) . . . 11
2.3. Representación gráfica de un sistema . . . . . . . . . . . . . . . . . . . . . 15
2.4. Representación del juego de Ping Pong en DEVS . . . . . . . . . . . . . . 16
2.5. Representación de un modelo acoplado . . . . . . . . . . . . . . . . . . . . 17

3.1. Esquema general del marco propuesto . . . . . . . . . . . . . . . . . . . . . 20
3.2. Arquitectura del sistema en DEVS . . . . . . . . . . . . . . . . . . . . . . 21
3.3. Arquitectura de la capa Edge en DEVS . . . . . . . . . . . . . . . . . . . . 22
3.4. Ejemplos de eventos transmitidos por el USV de la capa Edge al GCS de

la capa Fog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5. Arquitectura de la capa Fog en DEVS . . . . . . . . . . . . . . . . . . . . 25
3.6. Arquitectura de la capa Cloud en DEVS . . . . . . . . . . . . . . . . . . . 27

4.1. Gráfico 1 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 33
4.2. Gráfico 2 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 34
4.3. Gráfico 3 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 35
4.4. Gráfico 4 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 36
4.5. Gráficos 5 y 6 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . 37
4.6. Gráfico 7 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 38
4.7. Gráfico 8 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 38
4.8. Gráfico 9 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 39
4.9. Gráfico 10 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 39
4.10. Gráfico 11 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 40
4.11. Gráfico 12 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 40
4.12. Gráfico 13 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 41
4.13. Gráfico 14 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 41
4.14. Gráficos 15 y 16 del informe de la capa Fog . . . . . . . . . . . . . . . . . . 42
4.15. Gráfico 17 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 42
4.16. Gráfico 18 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 43
4.17. Gráficos 19 y 20 del informe de la capa Fog . . . . . . . . . . . . . . . . . . 43
4.18. Gráfico 21 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 44
4.19. Gráfico 22 del informe de la capa Fog . . . . . . . . . . . . . . . . . . . . . 44
4.20. Mapa de calor generado por el informe de Cloud . . . . . . . . . . . . . . . 47
4.21. Zoom sobre el mapa de calor del informe . . . . . . . . . . . . . . . . . . . 48

VII



ÍNDICE DE FIGURAS

4.22. Representación de la técnica de descenso de gradiente (fuente: [83]) . . . . 49

5.1. Lago de Washington en Washington, Estados Unidos . . . . . . . . . . . . 52
5.2. Marco de simulación del seguimiento de HABs . . . . . . . . . . . . . . . . 54
5.3. Medidas de los sensores embarcados a lo largo de la simulación . . . . . . . 56
5.4. Información del bloom inferido durante la simulación . . . . . . . . . . . . 56
5.5. Información de los parámetros del USV durante la simulación . . . . . . . 57
5.6. Error cometido en la predicción de HABs . . . . . . . . . . . . . . . . . . . 57
5.7. Mapa de calor de las zonas con más probabilidad de encontrar HABs . . . 58
5.8. Ampliación del mapa de calor con más probabilidad de encontrar HABs . . 59
5.9. Segunda ampliación del mapa de calor con más probabilidad de encontrar

HABs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.10. Error en la densidad del bloom predicho tras el entrenamiento . . . . . . . 60
5.11. Diferencias en la predicción del bloom antes y después del entrenamiento . 61

A.1. Cyanobacteria bloom on the surface of a river (source: [8]) . . . . . . . . . 67
A.2. Manual extraction of samples for water analysis (source: [12]) . . . . . . . . 68
A.3. Periodic water sampling buoy (source: [14]). . . . . . . . . . . . . . . . . . 69



Índice de tablas

4.1. Tabla del informe de la capa Cloud . . . . . . . . . . . . . . . . . . . . . . 46

5.1. Tabla con cálculos sobre los datos de la simulación . . . . . . . . . . . . . . 58
5.2. Número de HABs detectados en la simulación . . . . . . . . . . . . . . . . 58

IX





Caṕıtulo 1

Introducción

En este caṕıtulo se explica la motivación que ha impulsado la investigación llevada a cabo
en el presente trabajo, aśı como los objetivos a cumplir al finalizar el mismo y la estructura
del documento.

1.1. Motivación

La escasez de agua afecta hoy en d́ıa a alrededor de 4 mil millones de personas (i.e. dos
tercios de la población mundial), problema que se ve agravado durante por lo menos un
mes al año [1].

Cuando un territorio extrae al menos el 25% de sus recursos renovables de agua dulce,
se dice que sufre estrés h́ıdrico [1]. En la actualidad, 2.300 millones de personas viven en
páıses con este problema, de los cuales 733 millones habitan en lugares con estrés h́ıdrico
alto o cŕıtico. Además, 3.200 millones de personas residen en zonas agŕıcolas con escasez
de agua de alta a muy alta, de las cuales 1.200 millones tienen graves limitaciones de
agua.

A todo lo anterior debemos añadir que más de 1.300 millones de personas no tienen
acceso a agua potable, incumpliendo aśı el derecho a un acceso asequible a agua salubre
establecido por el Comité de Derechos Económicos, Sociales y Culturales de las Naciones
Unidas [2].

El problema de escasez de agua va estrechamente ligado al término calidad del agua [3],
que hace referencia a las caracteŕısticas qúımicas, f́ısicas y biológicas del agua dependiendo
del uso que se le va a dar. De hecho, para que el agua sea salubre, debe cumplir ciertos
estándares de calidad, y para determinar si dichos estándares se satisfacen, se miden y
analizan determinadas caracteŕısticas como su temperatura, su contenido mineral y la
cantidad de bacterias que tiene.

En la actualidad, la calidad del agua es un tema de gran relevancia por muchos motivos [4].
En primer lugar, la población mundial ha aumentado de forma considerable en los últimos
años, lo que implica una mayor necesidad de agua para garantizar el abastecimiento
global. En segundo lugar, el cambio climático que sufre el planeta desde hace algunas
décadas provoca grandes peŕıodos de seqúıa, con una disminución de la frecuencia y
cantidad de lluvia que afecta de manera significativa a las reservas h́ıdricas. Por último,

1



CAPÍTULO 1. INTRODUCCIÓN

la sobreexplotación y el exceso de contaminación que sufren los recursos de agua tanto en
las áreas urbanas como en las rurales, aumenta la importancia de cumplir los estándares
de calidad y que el garantizarlos sea cada vez más dif́ıcil.

Por un lado, en los grandes núcleos urbanos encontramos problemas de uso excesivo y
contaminación del agua debido al gran volumen de residuos generados, incluyendo el
alcantarillado y los vertidos de las zonas industriales que, en gran cantidad, van a parar
a los recursos h́ıdricos [5]. Por otro lado, en las áreas rurales encontramos numerosas
explotaciones agŕıcolas y ganaderas que también requieren una gran cantidad de agua,
y además utilizan abonos, fertilizantes y pesticidas que pueden acabar filtrados en ella.
Todo esto produce cambios en la composición del agua por la introducción de sustancias
o microorganismos no deseados que pueden llegar a convertirse en un riesgo para la salud.

Uno de los microorganismos que pueden acabar invadiendo las reservas de agua y poniendo
en riesgo nuestra salud son las cianobacterias. Estas bacterias, también llamadas algas
verdeazuladas por su color más habitual [6, 7], son organismos microscópicos unicelulares
que se encuentran naturalmente en todo tipo de aguas, ya sea agua dulce, marina o
salobre (agua dulce y salada combinada). Realizan la fotośıntesis, utilizando la luz solar
para alimentarse de los nutrientes presentes en el agua. Por ello, en ambientes cálidos y
ricos en fósforo y nitrógeno, las cianobacterias pueden multiplicarse rápidamente, creando
afloraciones que se extienden por toda la masa de agua y que pueden volverse visibles
cuando emergen a la superficie. Es entonces cuando se aprecia su color verdeazulado,
como puede observarse en la figura 1.1.

Figura 1.1: Afloración de cianobacterias en la superficie de un ŕıo (fuente: [8])

Estos organismos están presentes en todos los ambientes y juegan un papel importante
como productores primarios en todos ellos, por lo que son buenos y necesarios en la
naturaleza. Sin embargo, cuando se multiplican de manera exagerada y sin control, forman
afloraciones que son dañinas para la salud de las personas, los animales o el medio ambiente
al bloquear la luz solar que otros organismos necesitan para vivir, robarles el ox́ıgeno y

2



CAPÍTULO 1. INTRODUCCIÓN

los nutrientes, y producir metabolitos secundarios de elevada toxicidad denominados de
forma genérica cianotoxinas [9].

Por tanto, nadar o realizar actividades en aguas que contienen afloraciones de cianobac-
terias, beber agua que proviene de un lago o embalse que tiene una proliferación de ellas,
o comer pescado infectado de las toxinas que producen es tremendamente nocivo tanto
para la salud humana como animal [10]. En los seres humanos, estas toxinas pueden pro-
vocar dolor abdominal, dificultad para respirar, daños hepáticos y renales irreversibles,
problemas en el sistema nervioso y crecimiento de tumores.

Por este motivo, no son pocos los esfuerzos invertidos en detectar estos organismos en los
embalses y lagos. El procedimiento más habitual para ello es tomar manualmente mues-
tras de agua para analizarlas posteriormente y aśı poder determinar si las cianotoxinas
están contaminando el agua [11]. Esto conlleva un gran esfuerzo por parte del personal
involucrado, ya que la extracción manual de muestras y su posterior análisis tiene un alto
coste en tiempo y dinero, además de no resultar del todo efectivo debido a la gran canti-
dad de superficie que se necesita abarcar para poder llevar a cabo un estudio exhaustivo.
En la figura 1.2 puede observarse el método manual de recolección de muestras para el
análisis de la calidad del agua.

Figura 1.2: Extracción manual de muestras para el análisis del agua (fuente: [12])

Además, las restricciones de recursos financieros y de personal reducen la recolección
manual a los momentos del año en que la aparición de afloraciones de cianobacterias es
más probable, llevándose a cabo en pocos puntos geográficos y con frecuencias mı́nimas.
El retraso que sufren los resultados anaĺıticos y la limitada capacidad para interpretar el
escenario actual disminuye la posibilidad de predicción, prevención y mitigación de HABs
por parte de las autoridades responsables de la distribución de agua potable y sus usos
recreativos [13].

3



CAPÍTULO 1. INTRODUCCIÓN

Este proceso de extracción de muestras cuenta ocasionalmente con ayuda de ciertos ins-
trumentos automáticos que adquieren información del estado del agua en determinados
puntos estratégicos. Un buen ejemplo de este tipo de instrumentos son las boyas de mues-
treo periódico [14] que se encuentran ancladas en diferentes puntos de lagos y embalses, y
que cuentan con sensores que, de forma regular, toman medidas sobre diferentes paráme-
tros relacionados con la calidad del agua aunque, claro está, siempre en el mismo punto.
Una de estas boyas puede verse en la figura 1.3 junto con los datos que monitoriza.

Figura 1.3: Boya de muestreo periódico del agua (fuente: [14])

1.2. Contexto

Para dar una solución integral al problema de la monitorización y gestión de las cia-
nobacterias conviene ir un paso más allá, y no solo detectar las afloraciones de estos
microorganismos con mayor frecuencia y resolución, sino también predecir su evolución
espacio temporal. Para esto último existen a d́ıa de hoy algunos sistemas de alerta tem-
prana [15] que se basan en la simulación de modelos numéricos, como los que implementan
herramientas comerciales como MIKE [16] o EEMS [17]. Sin embargo, el uso exclusivo
de instrumentos de simulación no suele ser suficiente, ya que la complejidad de los proce-
sos biológicos y de transporte de las cianobacterias dificulta la correcta sintonización de
los numerosos parámetros que existen en estos modelos comerciales. Además, introduce
incertidumbres relevantes en las predicciones de los modelos.

Por ello se propone una solución integral, es decir, una solución que no solo implemente
los modelos numéricos sino que también incorpore todo el ecosistema de aparataje para
realizar mediciones que complementen y alimenten las predicciones hechas por los mode-
los numéricos con datos reales. Esta idea se está desarrollando en el Proyecto Sinérgico
de I+D en Nuevas y Emergentes Áreas Cient́ıficas de la Comunidad de Madrid, llama-
do Hacia un sistema Integral para la Alerta y GEStión de BLOOMs de cianobacterias
en aguas continentales, IA-GES-BLOOM-CM, en el que se está elaborando un sistema

4



CAPÍTULO 1. INTRODUCCIÓN

complejo que sugiere una alternativa para mejorar la toma de muestras, creando nuevos
modelos, sintonizándolos y acercando los resultados a los gestores, todo ello siguiendo una
arquitectura basada en IoT (del inglés, Internet of Things) que involucra elementos de
distinta ı́ndole, como son modelos, sensores, barcos y gestores.

Debido a la complejidad que implica un sistema de dichas caracteŕısticas, es conveniente
crear una infraestructura en la que se realice un gemelo digital de todo el sistema, con
herramientas sistemáticas de modelado y simulación. En este contexto es muy útil el for-
malismo DEVS (del inglés, Discrete Event System Specification, es decir, Especificación de
Sistemas de Eventos Discretos) [18, 19], ya que proporciona un marco de modelado y simu-
lación para eventos discretos sólido para poder desarrollar sistemas tan sofisticados como
el propuesto. En esta ĺınea se está desarrollando también en la Universidad Complutense
de Madrid otro proyecto llamado Más allá del uso de tecnoloǵıas digitales en blooms de
cianobacterias: gestión inteligente de cianobacterias mediante el uso de gemelos digitales
y computación en el borde (SMART-BLOOMS).

Este TFM se centra por tanto en colaborar en la construcción de la arquitectura global
del sistema, y en la implementación de algunos servicios que forman parte de la compleja
infraestructura descrita. Tanto el diseño de la arquitectura como su implementación se
realizan en base al formalismo DEVS. Para ello se sigue una organización basada en IoT.
Todo esto nos permite garantizar de manera eficiente un sistema no solo de detección sino
también de predicción y monitorización de afloraciones de cianobacterias, combatiendo
aśı los riesgos que estos microorganismos generan para la salud y el medio ambiente.

1.3. Objetivos

Se han definido una serie de objetivos para este trabajo, que se enumeran a continuación.
Dichos objetivos se pueden categorizar como generales o espećıficos. Los objetivos gene-
rales están orientados al desarrollo de metas a gran escala, mientras que los espećıficos
profundizan más en las diferentes cuestiones que se abordan.

[O1] Profundizar en el conocimiento de las cianobacterias, los sistemas de predicción y
el formalismo DEVS.

[O1.1] Estudiar las afloraciones de cianobacterias, su origen y su impacto en la ca-
lidad del agua y en la salud de los seres vivos.

[O1.2] Revisar los sistemas de alerta temprana para afloraciones de cianobacterias
existentes.

[O1.3] Profundizar en el conocimiento del formalismo DEVS y su funcionamiento.

[O2] Participar en la creación de la arquitectura en DEVS de un sistema integral para la
monitorización y gestión de HABs.

[O2.1] Idear un módulo de modelado y simulación que permita predecir la aparición
de cianobacterias.

[O2.2] Implementar un servicio de análisis de datos que permita a sus usuarios va-
lidar y visualizar los resultados obtenidos con cada simulación realizada.

[O2.3] Desarrollar un protocolo de entrenamiento en la nube que ayude a la definición
de modelos predictivos para la detección temprana de las afloraciones.

5



CAPÍTULO 1. INTRODUCCIÓN

[O3] Integrar y verificar los módulos desarrollados en la arquitectura DEVS general.

[O3.1] Integrar en la arquitectura global el servicio de predicción de HABs desarro-
llado.

[O3.2] Añadir al sistema el servicio de análisis de datos implementado.

[O3.3] Incluir en el marco del sistema el servicio de entrenamiento ideado.

[O4] Comprobar el funcionamiento del sistema a través de un caso de uso.

[O4.1] Ejemplificar el funcionamiento del sistema completo con una simulación de
un lago real.

[O4.2] Probar el servicio de predicción de HABs y comparar la predicción con datos
reales.

[O4.3] Activar el servicio de análisis de datos y comprobar que los informes generados
son correctos.

[O4.4] Utilizar el servicio de entrenamiento y comprobar que optimiza la predicción.

1.4. Estructura del documento

El presente documento se encuentra dividido en seis caṕıtulos a través de los cuales se va
describiendo el desarrollo del trabajo llevado a cabo. En esta sección se realiza un breve
resumen del contenido de cada uno de estos caṕıtulos.

El caṕıtulo 1 introduce la problemática de las afloraciones de cianobacterias en los embal-
ses y lagos, y expone el contexto en el que ha surgido el trabajo y cuál es su motivación.
A su vez, incluye la lista de objetivos generales y espećıficos que se se propone alcanzar
al finalizar la investigación.

Seguidamente, en el caṕıtulo 2 se profundiza en el estudio de las cianobacterias, la causa
de las afloraciones y el impacto tanto ambiental como económico y sanitario de las mis-
mas. También se realiza un breve estado del arte sobre los sistemas de alerta temprana
para detectar, monitorizar y gestionar la presencia de las toxinas nocivas producidas por
blooms de cianobacterias. Por último, se presentan las caracteŕısticas más relevantes del
formalismo DEVS, su estructura y funcionamiento.

En el caṕıtulo 3 se detalla la arquitectura del sistema propuesto para gestionar de manera
eficiente las afloraciones de cianobacterias. La infraestructura, desarrollada en DEVS e
integrada en un entorno IoT que se apoya en el uso de gemelos digitales, consta de
tres capas que se explican de forma que sea fácil visualizar la imagen general del marco
propuesto, que tiene como objetivos facilitar la predicción, agilizar la detección de HABs,
y mejorar la gestión de los problemas que acarrean en tiempo real.

Posteriormente, en el caṕıtulo 4, se profundiza en el desarrollo de tres servicios que for-
man parte de la arquitectura presentada en el caṕıtulo 3. Estos servicios son el modelo
de predicción, que permite simular el comportamiento de afloraciones en tiempo real; el
servicio de análisis de datos, que aporta gráficas para el estudio del escenario de simu-
lación; y el sistema de entrenamiento en la nube, que permite re-entrenar el modelo de
predicción para optimizar los resultados. Estos servicios se corresponden con el subsistema
de predicción y análisis de datos de la arquitectura propuesta.

6



CAPÍTULO 1. INTRODUCCIÓN

El trabajo continúa en el caṕıtulo 5, donde se ejemplifica todo lo expuesto y desarrollado
en los caṕıtulos 3 y 4 con un caso de uso que consiste en una simulación llevada a cabo en
el lago de Washington (Estados Unidos) usando datos sintéticos del lago extráıdos de la
herramienta EEMS. En la ejecución se puede observar el funcionamiento del sistema com-
pleto, lo que nos permite estudiarlo y prestar especial interés a los modelos de predicción,
análisis de datos y entrenamiento.

En el caṕıtulo 6 se revisan los objetivos detallados al inicio del documento y se plantean
posibles v́ıas de investigación de cara a un trabajo futuro relacionado con el ámbito del
modelado, predicción y gestión de las cianobacterias y sus problemas derivados para la
salud pública y el medio ambiente.

Por último, el documento contiene dos anexos que consisten en la traducción al inglés de
los caṕıtulos 1 y 6, que son, respectivamente, la Introducción y las Conclusiones.

7



Caṕıtulo 2

Estado del arte

En este caṕıtulo daremos las nociones básicas de tres conceptos fundamentales para el
desarrollo del trabajo aśı como las soluciones existentes al problema propuesto. En primer
lugar, estudiaremos las cianobacterias en profundidad, aśı como su impacto en el medio
ambiente y la vida humana. Posteriormente exploraremos los sistemas de alerta temprana
existentes en la actualidad y su funcionamiento. Por último, hablaremos sobre DEVS,
introduciendo de forma general los conceptos de sistema y modelos de eventos discretos
para continuar con la exposición de las caracteŕısticas más relevantes del formalismo
elegido y de los simuladores de eventos discretos que usaremos para modelar nuestra
propuesta.

2.1. Cianobacterias

Las cianobacterias, cuyo nombre proviene del griego antiguo y hace referencia a su color
más habitual, son un tipo de bacterias que viven en entornos acuosos, obtienen enerǵıa a
través de la fotośıntesis y producen metabolitos tóxicos secundarios. También son cono-
cidas como algas verdeazuladas [6, 7], aunque no suelen clasificarse cient́ıficamente como
algas, y existen algunas especies con coloraciones diferentes. Es común encontrarlas en
agregados coloniales que pueden adoptar formas de filamentos, láminas o incluso esferas
huecas [20], tal y como puede observarse en la figura 2.1. Cabe destacar que estos orga-
nismos a menudo dominan las capas superiores de los tapetes microbianos encontrados
en todo tipo de ambientes, incluyendo algunos extremos como aguas hipersalinas, aguas
termales, desiertos o regiones polares [21].

8



CAPÍTULO 2. ESTADO DEL ARTE

Figura 2.1: Cianobacterias observadas al microscopio (fuentes [22, 23])

Registros fósiles que datan de hace 3.500 millones de años demuestran que estos orga-
nismos se encuentran entre los más antiguos de la Tierra [24]. Desde su aparición, las
cianobacterias han sido actores esenciales en el desarrollo de los ecosistemas del plane-
ta. Además, son los principales contribuyentes a los ciclos biogeoqúımicos globales en la
actualidad [25]. Concretamente, las cianobacterias planctónicas son un componente fun-
damental de las cadenas alimenticias acuáticas y son importantes cooperantes en los flujos
globales de carbono y nitrógeno. Sin embargo, algunas cianobacterias forman afloracio-
nes nocivas, provocando la interrupción de los ciclos de los ecosistemas acuáticos y la
intoxicación de las diversas especies de la vida silvestre y humana por la producción de
poderosas toxinas llamadas cianotoxinas [9], entre las que se encuentran las microcistinas
y las saxitoxinas. La toxicidad de alguna de estas sustancias secundarias es tan elevada,
que las afloraciones de cianobacterias representan una grave amenaza para los entornos
acuáticos y la salud pública, cuya frecuencia y magnitud está aumentando a nivel mundial
[26].

2.1.1. Morfoloǵıa y alimentación

Las cianobacterias tienen una morfoloǵıa variable, desde formas unicelulares y filamen-
tosas hasta formas coloniales [25]. Las formas filamentosas presentan una diferenciación
celular funcional, como los heterocistos (para la fijación de nitrógeno), los aquinetos (célu-
las en estado de reposo) y las hormogonias (filamentos móviles reproductivos que se alejan
de la biomasa principal) [27]. Estos, junto con las conexiones intercelulares que poseen,
se consideran los primeros signos de pluricelularidad [28].

Este grupo de bacterias fotosintéticas ha evolucionado para adaptarse a condiciones am-
bientales de bajo ox́ıgeno. Por ello, algunas de estas bacterias han desarrollado la posi-
bilidad de fijar nitrógeno atmosférico de forma anaeróbica convirtiéndolo en amońıaco,
nitritos o nitratos, que pueden ser absorbidos por las plantas y convertidos en protéınas
y ácidos nucleicos. Estas especies fijadoras de nitrógeno viven en una amplia variedad de
suelos húmedos y agua, ya sea de forma independiente o en una relación simbiótica con
plantas u hongos formadores de ĺıquenes [29].

Además, las cianobacterias realizan la fotośıntesis y la respiración celular, dos procesos
opuestos, en una misma membrana. En la fotośıntesis [30] las cianobacterias utilizan la
enerǵıa de la luz para sintetizar compuestos orgánicos a partir de dióxido de carbono,

9



CAPÍTULO 2. ESTADO DEL ARTE

usando de forma general agua como donante de electrones y produciendo ox́ıgeno. La
respiración [31] es el proceso contrario, es decir, convierte los carbohidratos en dióxido de
carbono.

2.1.2. Comportamiento

Algunas cianobacterias, incluso las unicelulares, muestran comportamientos colectivos
sorprendentes y forman colonias agrupándose en esteras o tapetes microbianos que pueden
flotar en el agua y desempeñar funciones ecológicas importantes. Sin embargo, a veces estas
colonias pueden generar metabolitos secundarios tóxicos dañinos para el medio ambiente,
agotar el ox́ıgeno del agua o reducir la penetración de luz solar, comprometiendo con ello
el desarrollo de otras especies [32].

Las cianobacterias tienen requisitos estrictos de luz. Muy poca luz puede dar como resulta-
do una producción de enerǵıa insuficiente y hacer que las células recurran a la respiración
heterótrofa. Sin embargo, demasiada luz puede inhibir las funciones celulares, disminuir la
eficiencia de la fotośıntesis y causar daño por decoloración. La radiación ultravioleta es es-
pecialmente letal para las cianobacterias, y en algunos casos los niveles de radiación solar
en la superficie terrestre son significativamente perjudiciales para estos microorganismos
[20, 21, 33].

Debido a los fuertes requisitos de luz que precisan, las cianobacterias que viven en es-
teras microbianas a menudo migran vertical y horizontalmente dentro de la estera para
encontrar el lugar que proporcione el nivel adecuado de luz para realizar la fotośıntesis.
Por ejemplo, se han encontrado cianobacterias en las esteras bentónicas hipersalinas de
Guerrero Negro, México, que migran hacia las capas inferiores durante el d́ıa para escapar
de la intensa luz solar y luego ascienden a la superficie al anochecer [34]. Sin embargo,
otra población de cianobacterias encontrada en esteras hipersalinas en Camargue, Francia,
migran a la capa superior de la estera durante el d́ıa y se distribuyen homogéneamente a
través de la estera durante la noche [35]. Aśı, estas especies son capaces de controlar su
posición vertical y, al mismo tiempo, están sujetas a movimientos horizontales provocados
por las corrientes de agua y la acción del viento. Por lo tanto, su distribución espacial
puede cambiar en pocas horas, creando diferentes configuraciones de posición, tal y como
puede verse en la figura 2.2. En ella, los puntos 1 y 2 representan afloraciones superficiales;
los puntos 3, 5 y 6 su distribución a lo largo de la columna de agua; el punto 7 reproduce
afloraciones debajo del hielo; el punto 4 representa blooms metalimnéticos 1 y el punto 8
simboliza tapetes bentónicos2 de cianobacterias. Además, la ĺınea horizontal discontinua
indica el ĺımite inferior de la zona eufótica, que corresponde a la capa que recibe el 1%
de la luz que incide sobre la superficie del lago, mientras que A y B indican la ubicación
de tubeŕıas de extracción para el tratamiento y suministro de agua potable.

1Que están entre dos hábitats.
2Las algas que se hallan fijas al fondo marino son bentónicas, a diferencia de las que se encuentran

flotando en el agua, que se denominan planctónicas.

10



CAPÍTULO 2. ESTADO DEL ARTE

Figura 2.2: Distintas configuraciones de cianobacterias en el espacio (fuente [36])

Todos estos comportamientos dificultan la obtención de muestras representativas y la
evaluación del desarrollo de los riesgos relacionados con la presencia de la cianotoxinas para
los habitantes y usuarios del agua [36]. Además, dificultan enormemente la elaboración
de modelos numéricos de su dinámica.

2.1.3. Impacto ambiental, económico y sanitario

Las cianobacterias se pueden encontrar en casi todos los hábitats terrestres y acuáticos,
ya sean océanos, agua dulce, suelo húmedo, rocas humedecidas, rocas antárticas e incluso
dentro de piedras y conchas [37]. Algunas son endosimbiontes en ĺıquenes, plantas, protis-
tas o esponjas proporcionando enerǵıa al huésped. Otras incluso viven en el pelaje de los
perezosos, proporcionándoles una forma de camuflaje. Las que se encuentran en medios
acuáticos (tanto marinos como de agua dulce) son conocidas por sus extensas afloraciones,
habitualmente con apariencia de pintura azul verdosa o de espuma.

El crecimiento de cianobacterias se ve favorecido en lagos y embalses, donde las aguas
son tranquilas y tienen poco movimiento, y es más dif́ıcil que se dé en lugares con co-
rrientes agitadas o turbulentas [38]. Además, su crecimiento también se ve favorecido con
temperaturas altas, lo que beneficia el desarrollo de metabolitos potencialmente tóxicos.
Por tanto, el cambio climático unido a otros factores como la eutrofización, la estratifi-
cación vertical, aporte de nutrientes (principalmente nitrógeno) y el aumento del dióxido
de carbono atmosférico están provocando que las cianobacterias dominen cada vez más
los ecosistemas acuáticos [39]. Esto repercute negativamente en el agua potable, la pesca,
la irrigación y el uso recreativo del agua [26]. También daña gravemente el ecosistema
acuático al causar la asfixia y muerte de peces y plantas, y comprometer la seguridad de
animales y seres humanos.

Hay numerosos ejemplos de los importantes problemas en la calidad del agua causados
por cianobacterias en todo el mundo. Algunos de ellos son el lago Taihu [40] en China,
los lagos Erie [41] y Okeechobee [42] en Estados Unidos, el lago Victoria [43] en África
(entre Kenia, Uganda y Tanzania) y el mar Báltico [44, 45, 46].

El problema conlleva además un alto coste económico en muchos sectores de negocios,
como pueden ser el sector agŕıcola, la pesca, las plantas de tratamiento de agua, la indus-

11



CAPÍTULO 2. ESTADO DEL ARTE

tria del turismo, los servicios recreativos y los precios de los bienes inmuebles en las zonas
costeras.

En cuanto al impacto en la salud de las personas, como ya sabemos, algunas cianobacterias
pueden producir neurotoxinas, capaces de dañar el sistema nervioso; hepatotoxinas, que
tienen la capacidad de dañar el h́ıgado; y citotoxinas y endotoxinas, capaces de dañar
la piel. Además, pueden causar daño renal, dolor abdominal, dificultad para respirar
y posibilidad de crecimiento tumoral [9]. Por último, algunos estudios sugieren que la
exposición significativa a altos niveles de toxinas producidas por las cianobacterias, como
la toxina BMAA (beta-N-methylamino-L-alanina), puede encontrarse entre las causas de
la esclerosis lateral amiotrófica (ELA) [47, 48].

Además, el peligro no se limita al entorno acuático más cercano, ya que se ha observado
material extracelular de HABs de agua dulce en el agua y la atmósfera de lugares mucho
más allá de los ĺımites de la masa de agua donde surgieron.

2.1.4. Tratamiento actual

Existen varios métodos para tratar las cianobacterias. El tratamiento qúımico [49] es el
más utilizado, aunque también es el más nocivo para el medio ambiente. Consiste en
utilizar hipoclorito de calcio, sulfato de cobre, cupricida y simazina, que causan la muerte
de las células de las cianobacterias. Sin embargo, la intervención qúımica no resuelve el
problema central, ya que las bacterias pueden reaparecer después del tratamiento, y la
muerte de las cianobacterias no evita la liberación de las toxinas que se encuentran en su
interior.

Otra opción es reducir la cantidad de nutrientes que entran en los sistemas de agua [50].
Esto requiere cambios radicales en las actividades urbanas, agŕıcolas e industriales que
producen la contaminación por nutrientes. Además, debido a la variedad de origen de
estos nutrientes, este método es muy dif́ıcil de llevar a cabo tan rápida y eficazmente
como es necesario.

También existe una tecnoloǵıa de ultrasonidos [50] que crea una barrera de sonido en
las capas superiores del agua impidiendo que las cianobacterias alcancen la superficie,
y por tanto evitando que su crecimiento continúe. Además, para mantener el equilibrio
ecológico, este sistema no elimina completamente las cianobacterias, sino que las reduce
hasta en un 90%. Aunque esta tecnoloǵıa parece ser un método eficiente en el control de
afloraciones, se encuentra todav́ıa en fases de investigación.

2.2. Sistemas de detección y alerta temprana

Por todo lo explicado sobre los HABs, es fundamental implementar sistemas de alerta
temprana (EWS, del inglés, Early-Warning Systems) que recopilen información sobre el
estado del agua, identifiquen la presencia de niveles inadecuados de cianobacterias en
la masa de agua, agilicen la determinación de cuándo y dónde se formarán los HABs, y
faciliten su gestión por parte de los diferentes responsables (p.e. administraciones públicas
o empresas de suministro) de la calidad del agua.

Tradicionalmente, se ha utilizado la determinación microscópica basada en las caracteŕısti-
cas morfológicas de las algas para el seguimiento de cianobacterias, eligiendo el lugar y

12



CAPÍTULO 2. ESTADO DEL ARTE

la profundidad de muestreo de forma visual, y realizando la extracción de muestras de
forma manual. Sin embargo, esto requiere un equipo de gran tamaño, aśı como un usuario
experto con el microscopio y el resto del aparataje. Además, este método no es capaz de
diferenciar las cianobacterias productoras de toxinas de las no productoras debido a que
pueden tener una morfoloǵıa similar y a que las cianobacterias de la misma especie pueden
producir o no toxinas. [51, 52]. Por lo tanto, han surgido técnicas con diferentes enfoques
para desarrollar una herramienta de monitorización que analice y prediga la concentración
de cianobacterias en el agua.

En la actualidad existen algunas alternativas a estos sistemas manuales de detección,
monitorización, predicción y alerta temprana de cianobacterias. Debido a la importancia
del problema, varios páıses están desarrollando EWS apoyados por sistemas predictivos
[53] y respaldados por un conjunto de modelos base que describen el comportamiento
de diferentes elementos, como la dinámica del agua, el crecimiento de las cianobacterias,
sus desplazamientos verticales, etc. Estos modelos se integran en entornos de predicción,
como veremos más adelante. A continuación, se enumeran algunos de los que se encuentran
actualmente en uso.

Los modelos más utilizados para el modelado ecológico [54] de los HABs son los basados
en datos, como las Redes Neuronales Artificiales [55, 56, 57], las Redes Bayesianas [58,
59] y la Programación Genética [60]. Todos ellos son capaces de proporcionar información
sobre los fenómenos modelados desde un punto de vista estad́ıstico, que es útil para
hacer predicciones. Algunos de estos modelos intentan alcanzar predicciones precisas a
través de lo que llamamos modelos base o están integrados en herramientas de software
más genéricas como EEMS [17]. Las redes neuronales son ampliamente utilizadas en este
ámbito debido a su poder predictivo y su capacidad para mapear la relación no lineal
entre las variables del ecosistema [61]. En concreto, el algoritmo backpropagation y el
perceptrón multicapa han sido los más aplicados para predecir la aparición de afloraciones
de cianobacterias [62], consiguiendo hacerlo con incluso tres semanas de antelación.

También existen sistemas de predicción fundamentados en modelos matemáticos, como
un Modelos Eulerianos [63], Modelos Lagrangianos [64], Modelos Basados en Reglas [65]
o Modelos Probabiĺısticos [66, 67]. Todos ellos modelan las afloraciones de cianobacterias
en base a ciertos factores como la temperatura del agua, el pH, la salinidad, el fósforo,
el nitrógeno amoniacal y el ox́ıgeno disuelto, para poder aśı identificar los puntos pro-
bables de crecimiento de estos organismos. Los Modelos Eulerianos destacan por estar
compuestos por ecuaciones diferenciales que simulan dinámicas comunitarias en espacios,
y los Modelos Lagrangianos por introducir la posibilidad de agregar diferentes clases de
part́ıculas con propiedades individualizadas, aunque lamentablemente, realizar simula-
ciones lagrangianas con una gran cantidad de part́ıculas tiene un coste computacional
elevado.

Por último, también existen modelos acuáticos mecanicistas basados en el conocimiento
de las especies y de sus respuestas a los est́ımulos del ecosistema, como la disponibilidad
de nutrientes o la estratificación térmica [68]. Estos modelos pueden resultar desafiantes
debido al conocimiento incompleto que habitualmente se tiene de muchos de sus paráme-
tros, pero también pueden ser más apropiados para realizar predicciones futuras basados
en estad́ısticas. Hay estudios que hablan de una correlación positiva entre la fluorescencia
de ficocianina y la biomasa de cianobacterias en el agua [69], observando cambios rápidos
en la fluorescencia cuando el viento mueve concentraciones altas de cianobacterias, por lo

13



CAPÍTULO 2. ESTADO DEL ARTE

que podŕıan ser utilizados para desarrollar EWS más eficaces. A ráız de las conclusiones
de dichos estudios, ha surgido un sistema portátil de medición de fluorescencia [70] que
permite la detección de cianobacterias aprovechando los fotodiodos comerciales y un pe-
queño suministro de enerǵıa, y que transfiere posteriormente las lecturas de fluorescencia
de las cianobacterias a un servidor de forma inalámbrica. Sin embargo, a d́ıa de hoy este
método tiene más aplicaciones en la detección de afloraciones que en su predicción [71].

Todos los modelos comentados en este apartado suelen estar integrados dentro de herra-
mientas software más genéricas que cuentan con interfaces gráficas de usuario (GUIs, del
inglés, Graphical User Interfaces). Algunas de las más destacables son EEMS, MIKE y
Delft3D. Más concretamente, EEMS [17] es una GUI que proporciona una amplia gama
de herramientas de procesamiento previo y posterior para ayudar a desarrollar, calibrar
y analizar modelos hidrodinámicos, de contaminantes de sedimentos y de eutrofización.
MIKE Powered by DHI [16] es una gama de productos software que permiten analizar,
modelar y simular con precisión diferentes tipos de problemas en entornos acuáticos. Por
último, Delft3D [72] es un conjunto de herramientas software de código abierto que faci-
lita el modelado de diferentes subsistemas hidrodinámicos, morfodinámicos, de ondas, de
calidad del agua o basados en part́ıculas.

Algunos ejemplos de sistemas relacionados con este trabajo son el Sistema Automático de
Información de la Calidad del Agua de España [73], que consiste en una red de estaciones
automáticas desplegadas en lugares cŕıticos del sistema hidrográfico para obtener medi-
ciones y proporcionar información genérica sobre la calidad del agua (no necesariamente
sobre el estado y la evolución de cianobacterias) en tiempo real; la Red de monitorización
de la Calidad del Agua del Centro de Investigación Ambiental del Sudeste [74], propiedad
de la Universidad Internacional de Florida, que se enfoca en la monitorización costera
del sur de la peńınsula de Florida e incluye algunas estaciones de medición automática;
y la Red Nacional de Monitorización de la Calidad del Agua del Servicio Geológico de
los Estados Unidos [75], que combina fuentes de datos y técnicas para monitorizar las
aguas interiores de los Estados Unidos. Sin embargo, todos ellos tienen limitaciones, dado
que sus estaciones de monitorización automática suelen ser inmóviles, se centran princi-
palmente en el seguimiento de los datos medidos, no abordan la posterior predicción y
gestión de los mismos, y su objetivo primordial no está centrado en las particularidades de
las cianobacterias. En otras palabras, la información que obtienen carece de la resolución
espacial necesaria para monitorizar, predecir y gestionar afloraciones de cianobacterias.

Aśı, teniendo en cuenta las ventajas y desventajas de los diferentes tipos de modelos
explicados en esta sección, la propuesta de este trabajo es combinar los resultados pro-
porcionados por varios modelos para hacer una representación precisa del estado de la
masa de agua, permitiendo que el sistema responda rápidamente contra amenazas poten-
ciales y brindando al operador las herramientas necesarias para manejar el problema. Se
propone crear un sistema integrado que permita evaluar tanto modelos-base como ele-
mentos automáticos de tratamiento de cianobacterias, tales como el uso de USVs, boyas,
etc. Para ello utilizaremos el formalismo DEVS por las facilidades que aporta al modelado
de sistemas complejos. En la sección que viene a continuación hablaremos detalladamente
de este formalismo.

14



CAPÍTULO 2. ESTADO DEL ARTE

2.3. DEVS

Comenzaremos esta sección introduciendo el concepto de sistema, definido por Wymore
[76] como un conjunto compuesto por una entrada, un proceso que depende de un estado
y que puede alterar la entrada, y una salida que seŕıa la respuesta dada por dicho proceso
a la entrada en función del estado del sistema. La figura 2.3 mostrada a continuación
ilustra visualmente este concepto.

Figura 2.3: Representación gráfica de un sistema

Para tratar sistemas complejos surgen los formalismos que recogen el modelado y simula-
ción de sistemas (M&S, del inglés, Modeling and Simulation), y para estudiar aquellos sis-
temas dinámicos cuya variación depende de eventos discretos que acontecen en el tiempo,
aparece la Simulación de Eventos Discretos (DES, del inglés, Discrete Event Simulation),
que se encuentran soportados por el análisis de las secuencias de eventos que tienen lugar
en momentos determinados y que definen el cambio de estado del sistema.

Dentro del ámbito de los DES, en 1975 Bernard P. Zeigler formula el formalismo de Es-
pecificación de Sistemas de Eventos Discretos (DEVS, del inglés, Discrete Event System
Specification), que se define como una subclase de los sistemas de Wymore que captura
las caracteŕısticas relevantes para los modelos de simulación orientados a eventos [19].
Más concretamente, DEVS especifica qué es un modelo, qué debe o no contener el mismo
y cómo debe comportarse. Este paradigma es además único y universal para los modelos
de sistemas de eventos discretos, lo que implica que cualquier sistema que acepte even-
tos temporales como entradas es equivalente a uno en DEVS (o lo que es lo mismo, su
estructura y comportamiento pueden describirse usando este formalismo).

Por otro lado, desde la óptica del formalismo de DEVS, los sistemas se pueden dividir
en modelos básicos o atómicos que definen el comportamiento de un sistema, y modelos
compuestos o acoplados, que especifican la estructura del mismo [18].

Más concretamente, los modelos atómicos en DEVS procesan la entrada de eventos
basándose en el estado actual y su condición, generando eventos de salida y desembo-
cando en transiciones a otros estados.

Aśı, puede definirse un modelo atómico como la tupla

A = ⟨X; Y ; S; δext; δint; δcon; λ; ta⟩

dondeX, Y, S, δext, δint, δcon, λ y ta se corresponden los siguientes conjuntos y funciones
de DEVS:

X representa el conjunto de entradas al sistema.

15



CAPÍTULO 2. ESTADO DEL ARTE

Y representa el conjunto de salidas.

S representa el conjunto de estados secuenciales, siendo

Q = (s, e), s ∈ S, 0 ≤ e ≤ ta(s)

el conjunto de estados, donde e es el tiempo transcurrido desde la última transición.

δext representa la función de transición externa. Se ejecuta automáticamente cuando
un evento externo llega a uno de los puertos de entrada, cambiando el estado si es
necesario.

δint representa la función de transición interna. Se ejecuta automáticamente cuando
un evento externo llega a uno de los puertos de entrada, cambiando el estado si es
necesario.

δcon representa la función de confluencia. Esta transición decide el siguiente estado
en casos de colisión entre eventos externos y eventos internos.

λ representa la función de salida. Cuando el tiempo transcurrido desde la última
función de salida es igual a la función de avance del tiempo, entonces λ es ejecutada
automáticamente.

ta representa la función de avance temporal.

A modo de ejemplo, la figura 2.4 muestra cómo puede construirse un modelo atómico
en DEVS que capture el comportamiento del juego del Ping Pong. El juego se describe
a partir de dos jugadores A y B que tienen, cada uno, dos posibles estados, esperar o
enviar. El estado esperar tiene una duración de tiempo indefinida, y encontrándose en ese
estado, una vez el jugador recibe la pelota a través del evento ?recibir, son necesarios 0,1
segundos para poder devolverla a través del evento !enviar. Podemos resumir de manera
sencilla la estructura del juego de la siguiente forma: el jugador A emite un evento de
salida que se transmite al jugador B y viceversa.

Figura 2.4: Representación del juego de Ping Pong en DEVS

Para este juego es posible entonces proporcionar expĺıcitamente los siguientes valores para
los conjuntos y funciones que definen el modelo atómico:

X = {?recibir}

Y = {!enviar}

16



CAPÍTULO 2. ESTADO DEL ARTE

s0 = (enviar, 0.1)

S = {(d, σ) : d ∈ {esperar, enviar}, σ ∈ T∞ = [0,∞]}

δext(((esperar, σ), te), ?recibir) = (enviar, 0.1)

δint(enviar, σ) = (esperar,∞)

δint(esperar, σ) = (enviar, 0.1)

λ(enviar, σ) = !enviar

λ(esperar, σ) = ∅

ta(s) = σ, ∀s ∈ S

De forma análoga a como lo hemos hecho con los modelos atómicos, podemos definir un
modelo acoplado como la tupla

M = ⟨X; Y ; C; EIC; EOC; IC⟩

donde X, Y, C, EIC, EOC, IC se corresponden con los conjuntos y relaciones de DEVS
especificados a continuación:

X representa el conjunto de entradas al modelo.

Y representa el conjunto de salidas.

C representa el conjunto de modelos atómicos/acoplados que lo constituyen.

EIC representa el conjunto que define la relación de acoplamiento externa, es decir
qué entradas externas al modelo acoplado M se relacionan entradas a modelos de
C.

EOC representa la relación de acoplamiento externa, es decir la relación entre las
salidas de los modelos componentes de C y las salidas de M .

IC representa la relación de acoplamiento interna, es decir las relaciones de salida
de los modelos componentes ci ∈ C con las salidas de cj ∈ C para i ̸= j.

A modo de ejemplo, la figura 2.5 representa la estructura de un modelo acoplado sencillo
y sus interconexiones detalladas.

Figura 2.5: Representación de un modelo acoplado

17



CAPÍTULO 2. ESTADO DEL ARTE

Notemos que cada componente, ya sea atómico o acoplado, puede tener puertos de entrada
y salida, y estos se pueden conectar entre ellos. Aśı, tanto los modelos atómicos como los
acoplados pueden conectarse y agregarse unos con otros. [18].

DEVS es apropiado para la definición e implementación de sistemas complejos como el
que se aborda en este TFM. Entre sus múltiples ventajas destacan la integridad, la ve-
rificabilidad, la extensibilidad y la mantenibilidad. Otra de las ventajas de DEVS que
explotaremos ampliamente en los dos siguientes caṕıtulos es que permite definir formal-
mente tanto la estructura (o arquitectura) de un sistema como su comportamiento (o
implementación).

18



Caṕıtulo 3

Arquitectura del sistema

En este caṕıtulo introduciremos la arquitectura del modelo propuesto como solución in-
tegral para la monitorización y gestión de cianobacterias, que forma parte del Proyecto
Sinérgico de la Comunidad de Madrid, titulado Hacia un sistema Integral para la Alerta
y GEStión de BLOOMs de cianobacterias en aguas continentales, IA-GES-BLOOM-CM.
El proyecto está siendo desarrollado por el Grupo de Investigación de Ingenieŕıa de Siste-
mas, Control, Automática y Robótica (ISCAR) de la Universidad Complutense de Madrid
(UCM) en colaboración con un equipo de investigación de la Facultad de Ciencias de la
Universidad Autónoma de Madrid (UAM). Como podrá observarse en este caṕıtulo, IA-
GES-BLOOM-CM es un proyecto grande, que involucra varias ramas de conocimiento y
que abarca un gran espectro de tareas a desarrollar. Por ello, en este caṕıtulo daremos
una imagen general del sistema de modelado y simulación y de su arquitectura, en lo que
se ha colaborado activamente en este trabajo. En el caṕıtulo 4 daremos detalles de la im-
plementación del subsistema de predicción y análisis de datos, desarrollado ı́ntegramente
en este TFM.

3.1. Imagen general

La visión general del proyecto queda reflejada mediante un modelo hoĺıstico e integrador
definido siguiendo una metodoloǵıa MBSE, que incluye no solo el uso de modelos base, sino
también la infraestructura del sistema de alerta temprana (EWS). La figura 3.1 muestra
la concepción del marco de simulación, siguiendo una arquitectura basada en internet de
las cosas (IoT, del inglés, Internet of Things) y mediante el uso de gemelos digitales (DT,
del inglés, Digital Twin).

El marco de modelado creado para simular y operar este sistema recibe el nombre de
DEVS-BLOOM y ha sido diseñado para que algunos componentes virtuales se constru-
yan como un gemelo digital y puedan ser reemplazados directamente por sus homólogos
reales, siguiendo los principios de la metodoloǵıa MBSE. El sistema tiene por objetivo
la monitorización en tiempo real y la predicción de afloraciones de cianobacterias. Su
desarrollo se ha realizado a través de DEVS [77], el conocido formalismo de modelado y
simulación.

Este marco está dividido en las tres capas clásicas de IoT: Edge, Fog y Cloud, como puede
observarse en la figura 3.1. Además, DEVS-BLOOM se alimenta con datos que pueden

19



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

provenir de un cuerpo de agua real o de una base de datos que, a su vez, puede almacenar
datos reales o sintéticos. Esto permite que el sistema funcione en modo virtual, real o
h́ıbrido en función de si los datos provienen exclusivamente del cuerpo de agua real, de la
base de datos, o de ambos.

Figura 3.1: Esquema general del marco propuesto

Aśı, las masas de agua son monitorizadas en la capa Edge por un conjunto de sensores,
incluidos a bordo de embarcaciones automatizadas, denominados en adelante USVs (del
inglés, Unmanned Surface Vehicle), que continuamente env́ıan datos a la estación de
control de tierra, denominada en adelante GCS (del inglés, Ground Control Station),
ubicada en la capa Fog. En esta capa intermedia los expertos del dominio pueden analizar
los datos, ejecutar algunos modelos, hacer pruebas o planificar las trayectorias de los
USVs, usando algunos servicios de predicción, análisis de datos, etc.

El marco admite escalabilidad horizontal, permitiendo agregar más cuerpos de agua y
más USVs con el apoyo de una capa Cloud, donde las autoridades responsables de la
gestión de las masas de agua pueden estudiar diferentes informes y tomar decisiones de
alto nivel, apoyados de nuevo en servicios de análisis de datos, entrenamiento del modelo
de predicción, etc.

Hasta donde se sabe, esta investigación es la primera relacionada con el desarrollo de so-
luciones integradas basadas en modelos para la gestión de cianobacterias, ya que combina
el uso de modelos base con la ayuda de modelos de la infraestructura como sensores y
USVs.

En las secciones que vienen a continuación se describen con más detalle los elementos de
la figura 3.1 desde una perspectiva más técnica.

20



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

3.2. Arquitectura en DEVS

Como ya comentamos en la sección 2.3, DEVS es un formalismo modular y jerárquico
para modelar sistemas de eventos discretos basados en la teoŕıa de conjuntos [77], que
proporciona un marco para el modelado de información y que aporta numerosas ventajas
al análisis y diseño de sistemas complejos, como son la integridad, la verificabilidad, la
extensibilidad y la mantenibilidad.

DEVS-BLOOM se implementa y ejecuta mediante xDEVS, un simulador DEVS multi-
plataforma [78] que ofrece un buen equilibrio entre facilidad de uso y rendimiento. En
particular, utiliza la rama xDEVS/Python de dicho simulador. De esta forma, el marco
del sistema puede usar tiempo virtual o real y puede ejecutar simulaciones secuenciales o
paralelas.

Mientras que la figura 3.1 ilustra la imagen general de la arquitectura de DEVS-BLOOM,
la figura 3.2 muestra su estructura en DEVS. Como puede observarse, el sistema cuenta
con un modelo acoplado en la capa Edge (USV ), un modelo acoplado en la capa Fog
(FOG SERVER) y un modelo acoplado en la capa Cloud (CLOUD).

Figura 3.2: Arquitectura del sistema en DEVS

21



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

Además, en la figura 3.2 puede observarse un modelo atómico singular etiquetado como
Generator, que se encuentra representado en la capa Fog y que consiste en una fuente
que lee de un archivo de texto todos los eventos que serán inyectados en el proceso de
simulación a través de su puerto de salida. Cada instrucción en el archivo de simulación
representa un evento de entrada compuesto por una marca de tiempo que indica el instante
virtual en el que se activará ese evento, el tipo de comando asociado a él y los argumentos
que necesita. Como resultado, este archivo replica el conjunto de eventos externos que
podŕıan ocurrir en un escenario del mundo real.

Como se muestra en la figura 3.2, el fichero asociado al modelo atómico Generator siempre
empieza y termina con las instrucciones de inicialización (START) y finalización (STOP) del
experimento de simulación que, como sus nombres indican, lanzan y paran, respectiva-
mente, la simulación. Este modelo atómico es el encargado de enviar las instrucciones de
la simulación a las tres capas del sistema. La mayoŕıa de los servicios se activan con la
instrucción de START, pero algunos como la detección de valores at́ıpicos o la predicción
de HABs pueden activarse posteriormente. De este archivo de simulación cabe destacar
que es un elemento virtual puro sin homólogo exacto en el mundo real, y que no pertenece
a ninguna de las capas del sistema, aunque por comodidad se haya representado en la
capa Fog. En las siguientes secciones, describimos el resto de los componentes incluidos
en el sistema en función de la capa en la que se ubiquen.

3.2.1. Capa Edge

La capa Edge contiene el modelo USV, que a su vez encapsula los modelos atómicos de
los sensores embarcados. En la figura 3.2 no pueden apreciarse los detalles, por lo que
presentamos en la figura 3.3 el mismo esquema de la capa Edge ampliado.

Figura 3.3: Arquitectura de la capa Edge en DEVS

Por un lado, los sensores miden los diferentes parámetros que afectan al crecimiento
de cianobacterias, como pueden ser la concentración de nitrógeno y de ox́ıgeno, o la
temperatura y velocidad del agua. Los sensores reales están colocados dentro de los USVs,
lo que permite ir tomando medidas en diferentes ubicaciones de la masa de agua. Por ello,
sus gemelos digitales se han ubicado también como modelos atómicos dentro del modelo
acoplado USV. Esto permite que los sensores lean los datos de una base de datos sintética,
o bien directamente de la masa de agua real, tal y como puede observarse en la figura
3.3. Los sensores virtuales imitan el comportamiento del sensor real, introduciendo los

22



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

correspondientes retrasos, ruido, errores de saturación, envejecimiento, etc. Todos estos
parámetros opcionales se definen a través de un archivo de configuración. Como la mayoŕıa
de los componentes del marco de modelado, los sensores son modelos pasivos, es decir, se
despiertan cuando el USV recibe un evento START del archivo de simulación por el puerto
icmd.

Concretamente, el sistema cuenta con los siguientes nueve sensores creados como DT y
una unidad de posicionamiento que calcula las coordenadas del USV:

Sensor de nitrógeno (etiquetado en la figura 3.2 como NOX ).

Sensor de ox́ıgeno disuelto (etiquetado como DOX ).

Sensor de densidad de cianobacterias (etiquetado como ALG).

Sensor de temperatura del agua (etiquetado como WTE ).

Sensor de velocidad del agua dirección este/oeste (etiquetado como WFU ).

Sensor de velocidad del agua dirección norte/sur (etiquetado como WFV ).

Sensor de velocidad del viento dirección este/oeste (etiquetado como WFX ).

Sensor de velocidad del viento dirección norte/sur (etiquetado como WFY ).

Sensor de radiación solar (etiquetado como SUN ).

Unidad de cálculo de posición y bateŕıa (etiquetado como Unidad de pos.)

Además, cada uno de los gemelos digitales anteriores tiene un elemento del aparataje real
que le corresponde y que forma parte del USV en la realidad. Estos son:

Sonda de nitrógeno, que mide la densidad de nitratos disueltos en el agua, ya que
es el principal alimento de las cianobacterias.

Sonda de ox́ıgeno disuelto, que se encarga de medir la densidad de ox́ıgeno en el agua.
Como las algas producen ox́ıgeno por fotośıntesis, donde hay ox́ıgeno en abundancia
es probable que haya HABs.

Sensor de ficocianina, que detecta la presencia de cianobacterias y facilita la medición
de su densidad.

Sensor de temperatura para medir los grados a los que se encuentra la masa de agua
en el punto de medición.

Caudaĺımetro, que mide la velocidad y la dirección del agua con respecto al USV.

Anemómetro y veleta para medir la velocidad y la dirección del viento con respecto
al barco.

Sensor de radiación solar, que mide los niveles de radiación en el punto en el que se
toma la medida.

Unidad de posicionamiento inercial, que mide la posición y velocidad del USV.

Unidad de potencia, que incluye paneles solares, cargadores y condensadores encar-
gados de recargar las bateŕıas de la embarcación cuando recibe radiación solar.

23



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

Estos dos últimos, encargados de la posición y la bateŕıa del USV, no tienen un sensor
asociado como gemelo digital, sino un modelo atómico, ya que en la simulación virtual
ambos parámetros se calculan matemáticamente y no requieren que su información sea
consultada en una base de datos.

Cabe destacar que DEVS-BLOOM puede manejar un conjunto de estos USVs, que reci-
ben comunicaciones de la capa Fog o de otro USV, ya sea para evitar colisiones o para
compartir información entre ellos. La figura 3.3 solo ilustra uno de los USVs que puede
haber en el sistema. El modelo de cada uno de ellos tiene una serie de puertos de salida
por los que transmite la información recopilada por sus sensores o la información del es-
tado del propio USV. Es decir, por los puertos de salida el USV transmite información
relacionada con variables de estado de la masa de agua que son útiles para la predicción
del bloom (como la temperatura del agua o la cantidad de ox́ıgeno disuelto) e información
relacionada con el estado del USV (como el estado de la bateŕıa o la posición). El modelo
acoplado USV cuenta además con puertos de entrada por los que recibe las instrucciones
del Generator y las órdenes del planificador, que se encuentra en la capa Fog y se encarga
de definir la ruta del USV.

Aśı, cada gemelo digital de la capa Edge transmite eventos que siguen una estructura
predefinida y genérica que encapsula las medidas, comandos o cualquier otra informa-
ción relevante. Esa estructura de evento genérica consta de un source y un target que
identifican respectivamente el origen y el destino del evento, un timestamp con la hora
real del evento, y un conjunto de pares clave-valor con el identificador de cada dato y su
correspondiente medida. Un ejemplo de eventos enviados desde un USV a la capa Fog se
muestra la figura 3.4. En la primera ĺınea de dicha figura se puede observar el timestamp
acompañado del source, que es el USV, y del target, que es el modelo atómico GCS
de la capa Fog encargado del control del sistema. A continuación se observan los pares
clave-valor que el modelo acoplado USV env́ıa al GCS. En el caso de la imagen estos
pares clave-valor son los datos recopilados por los sensores del USV.

Figura 3.4: Ejemplos de eventos transmitidos por el USV de la capa Edge al GCS de la
capa Fog

24



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

3.2.2. Capa Fog

La capa Fog se simula a través del modelo acoplado FOG SERVER. Aqúı, los operadores
y expertos en el ámbito de los blooms de cianobacterias en el entorno acuático analizan los
datos y toman decisiones. Como muestra la figura 3.5, el modelo acoplado FOG SERVER
tiene varios puertos de entrada para recibir los eventos enviados por los componentes de
la capa Edge y de la capa Cloud, aśı como las instrucciones del Generador. Además, tiene
varios puertos de salida que env́ıan datos a la capa Cloud o a la capa Edge.

Figura 3.5: Arquitectura de la capa Fog en DEVS

Este modelo acoplado contiene en su interior una serie de modelos atómicos. Su modelo
principal es el GCS, ya que representa el núcleo de la infraestructura informática de la
estación de control de tierra. Por lo general, se despliega sobre una estación de trabajo
estática o un ordenador portátil conectado a la red local. El GCS recibe comandos de
simulación del archivo de simulación, que le indican cuándo comenzar a leer datos, ejecutar
un servicio sobre los modelos predictivos, calcular la trayectoria de un USV, etc. Cuando
comienza la simulación, se reciben los datos de los sensores a través de los puertos de
entrada provenientes de la capa Edge y se almacenan en la base de datos local. Estos
datos se env́ıan al modelo atómico CLOUD a intervalos predefinidos. Por otro lado, cuando
se recibe una solicitud de servicio desde el archivo de simulación, se propaga al modelo
atómico correspondiente a través del puerto asignado. Los datos reales o predichos también
se almacenan en la base de datos local y se env́ıan regularmente al modelo atómico
CLOUD.

El modelo acoplado FOG SERVER contiene, además del GCS, un conjunto de modelos
atómicos encargados de ejecutar diferentes servicios. Todos ellos reciben comandos por el
puerto de entrada iin y env́ıan los resultados a través de los puertos de salida oout. Los
resultados se env́ıan de regreso a los modelos GCS o USV, en función del servicio llevado
a cabo. Actualmente hay implementados 4 servicios: uno, etiquetado en la figura 3.5 como
Servicio de Detección de Valores At́ıpicos, para detectar y corregir valores at́ıpicos de la
distribución de la predicción; otro, etiquetado como Servicio de Predicción; para realizar

25



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

predicciones y calcular la probabilidad de formación y ubicación de cianobacterias en la
masa de agua; un tercer servicio, denominado Servicio de Análisis de Datos, para anali-
zar la información contenida en la base de datos y generar informes; y un último servicio,
etiquetado como Planificador de USVs, responsable de calcular las rutas que deben seguir
los USVs. Más concretamente, este último servicio utiliza los resultados de los cálculos
realizados por el servicio de predicción del estado de las cianobacterias para obtener los
puntos de paso (waypoints) que debe visitar y las trayectorias que deben seguir las em-
barcaciones. La forma de proceder depende del objetivo final del planificador, que por
ejemplo puede devolver como próximo waypoint la zona esperable de máxima concen-
tración de cianobacterias u obtener aquella trayectoria que maximiza la probabilidad de
detectarlas haciendo que la embarcación recorra/utilice la mı́nima distancia/tiempo para
monitorizar el estado del embalse [79].

3.2.3. Capa Cloud

El modelo atómico CLOUD se encuentra en etapas iniciales de desarrollo. Este modelo
recibe todos los datos de diferentes cuerpos de agua y los almacena en la base de datos. Al
igual que en el modelo acoplado de la capa Fog, el modelo atómico Cloud puede ejecutar
diferentes servicios, entre los que se incluyen el uso de técnicas de análisis de big data sobre
todos los datos almacenados en la capa Cloud, o la ejecución de servicios de entrenamiento
de los modelos de predicción ubicados en la capa Fog. En cualquier caso, estas acciones
son desencadenadas por el archivo de la capa Fog que contiene las instrucciones de la
simulación.

Además, cabe destacar que la capa Cloud está capacitada para gestionar varias masas de
agua de forma simultánea. En ese caso, el marco de modelado y simulación DEVS BLOOM
solo debe replicar, para cada masa de agua, los modelos correspondientes de las capas
inferiores de la infraestructura de IoT.

En la figura 3.6 puede observarse que, como hemos comentado anteriormente, la capa
Cloud recibe datos del modelo acoplado FOG SERVER para poder realizar los servicios
de entrenamiento y big data. Actualmente, estos servicios se ejecutan en una máquina
local, aunque está previsto que en el futuro se ejecuten en contenedores distribuidos en la
nube para resolver el problema de la escalabilidad.

26



CAPÍTULO 3. ARQUITECTURA DEL SISTEMA

Figura 3.6: Arquitectura de la capa Cloud en DEVS

Para terminar el caṕıtulo, cabe destacar que, como se ha mencionado al inicio, todo este
marco de modelado y simulación está siendo desarrollado por diferentes investigadores del
grupo de investigación ISCAR, con los que he colaborado de forma global en la puesta a
punto, refinamiento y depuración de diferentes partes y aspectos del sistema.

Además, en el siguiente caṕıtulo (4) se detallarán aquellos modelos relacionados con los
servicios de predicción, análisis de datos y entrenamiento, cuya funcionalidad actual es
fruto de las labores espećıficas desarrolladas durante este Trabajo Final de Máster.

Lo implementado en este trabajo puede verse en el repositorio [80] de GitHub. Para ello,
basta con descargar la versión etiquetada como tfm-beatriz o clonarla mediante ĺınea de
comandos:

git clone --depth 1 --branch tfm-beatriz

git@github.com:iscar-ucm/devs-bloom-public.git

y posteriormente seguir las instrucciones del README para resolver las dependencias.

27



Caṕıtulo 4

Implementación de los subsistemas
de predicción y análisis

En este caṕıtulo describiremos y profundizaremos en aquellos modelos de la arquitectura
DEVS desarrollada en el proyecto DEVS-BLOOM que se encuentran directamente rela-
cionados con la predicción del estado de los blooms de cianobacterias y con la generación
de informes de datos. Por ello, se comenzará hablando del servicio de la localización del
afloramiento de las cianobacterias. Posteriormente describiremos el servicio de análisis de
los datos relativos al bloom. Finalizaremos explicando el servicio de entrenamiento del
modelo predictivo.

4.1. Predicción del bloom

La función principal del subsistema de predicción es calcular las probabilidades de forma-
ción y localización de las floraciones en cada masa de agua. Este modelo base representa
la densidad y la posición de las floraciones en función de determinados factores, como la
cantidad de nitrógeno y ox́ıgeno disueltos o la velocidad del agua. Para ello, se utiliza el
siguiente sistema de ecuaciones diferenciales:

dr(t)

dt
= kgrowth · u(t)− kdecline · (r(t)− r(0)) (4.1)

dx(t)

dt
= kspeed · vx(t) (4.2)

dy(t)

dt
= kspeed · vy(t) (4.3)

En particular, en la ecuación (4.1), r representa la densidad de la floración, mientras que
u es la concentración de nutrientes presentes en el agua. Además, en las ecuaciones (4.2)
y (4.3), x e y son las coordenadas de la posición de la floración a una altura determinada,
mientras que vx y vy son la velocidad del agua en las mismas coordenadas. En cuanto a
las constantes de esas ecuaciones, kgrowth es la constante de crecimiento del blom, kdecline
es la constante de decrecimiento, y kspeed representa el porcentaje de la velocidad del agua
que se transfiere a las cianobacterias.

La concentración de nutrientes u se calcula del siguiente modo:

28



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

u(t) = kphoto · photo(t) + kbreath · breath(t), (4.4)

donde breath representa la respiración y photo representa la fotośıntesis, y kbreath y kphoto
son las constantes que miden el porcentaje de respiración y fotośıntesis que afectan efec-
tivamente a la cantidad de nutrientes disueltos en el agua.

Por tanto, sustituyendo en la ecuación (4.1) la ecuación anterior obtenemos la expresión:

dr(t)

dt
= kgrowth · (kphoto · photo+ kbreath · breath)− kdecline · (r(t)− r(0)) (4.5)

Por último cabe explicar que breath y photo se calculan dinámicamente, para cada paso
de tiempo h, mediante la siguientes expresiones en función de los datos obtenidos por los
sensores de nitrógeno, ox́ıgeno disuelto y radiación solar:

breath = nitrate · disolved oxygen
photo = nitrate · solar radiation,

(4.6)

ya que las cianobacterias necesitan nitratos y ox́ıgeno para realizar la respiración, y pre-
cisan de nitratos y enerǵıa solar para realizar la fotośıntesis.

La ecuación (4.5) modela la evolución de la densidad de la floración en función de 4
constantes: kgrowth, kdecline, kbreath y kphoto, que pueden traducirse en tres parámetros que
dotan al sistema de tres grados de libertad, como puede verse en la siguiente expresión
donde k1 = kgrowth · kphoto, k2 = kgrowth · kbreath y k3 = kdecline:

dr(t)

dt
= k1 · photo(t) + k2 · breath(t)− k3 · (r(t)− r(0)) (4.7)

El valor de todas las constantes del modelo se obtiene entrenando el sistema, que partirá
de unos valores dados para ellas. Estos valores se ajustan cada vez que el error entre el
valor real y el valor simulado supera un umbral determinado.

Inicialmente las ecuaciones diferenciales propuestas se resolv́ıan utilizando el método de
Euler. Este es un procedimiento mono-paso para la aproximación numérica de la solución
a un cierto problema de valor inicial del tipo:

{
x′(t) = f(t, x(t)), t ∈ [t0, T ]
x(t0) = ξ0

(4.8)

donde ξ0 ∈ Rn, t0 ∈ R, T ∈ R y f es una función continua y lipschitziana en la segunda
variable con constante de Lipschitz L > 0, lo que garantiza que el problema de valor
inicial planteado tiene existencia y unicidad de solución.

Una vez planteado el problema y para un N ∈ N dado, se divide el intervalo [t0, T ] en N
partes iguales por medio de puntos equiespaciados de la siguiente manera:

ti = t0 + ih para i = 0, 1, .., N

29



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

donde

h =
T − t0
N

.

Por lo tanto, teniendo en cuenta que

x′(t) = ĺım
h→0

x(t+ h)− x(t)

h
∈ Rn

para valores de h suficientemente pequeños se verifica que

x′(t) ≃ x(t+ h)− x(t)

h
.

Sustituyendo en la expresión anterior la función f(·) del problema de valor inicial en cada
ti por x

′(ti) = f(ti, x(ti)) se obtiene

x(ti+1)− x(ti)

h
≃ f(ti, x(ti)).

A continuación, podemos reescribir la ecuación anterior como

xi+1 − xi

h
= f(ti, xi) (4.9)

donde xi es una aproximación de x(ti), que será mejor cuanto menor sea el valor del paso
h (o el número de pasos N realizados).

Finalmente, despejando xi+1 de la ecuación (4.9) obtenemos el esquema numérico del
método del Método de Euler:

Paso 1 : x0 ≃ ξ0
Paso 2 : xi+1 = xi + h · f(ti, xi) para i = 0, 1, .., N

Utilizando por tanto este método, se calculaban las aproximaciones de Euler de las 3
ecuaciones propuestas. Comenzamos aproximando la ecuación (4.1) mediante la ecuación
(4.9) para:

ri+1 − ri
h

= kgrowth · u− kdecline · ri

Despejando ri+1 obtenemos

ri+1 = ri + h · kgrowth · u− h · kdecline · ri (4.10)

Realizando un proceso análogo para las ecuaciones (4.2) y (4.3):

{ xi+1−xi

h
= kspeed · vx

yi+1−yi
h

= kspeed · vy

30



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Despejando xi+1 y yi+1 concluimos que:

xi+1 = xi + h · kspeed · ux (4.11)

yi+1 = yi + h · kspeed · uy (4.12)

Sin embargo, tras utilizar otros métodos para resolver las ecuaciones diferenciales y compa-
rar los resultados, se decidió utilizar para este propósito la función odeint de la biblioteca
LSODE. Esta biblioteca utiliza un método predictor-corrector de Adams que combina
una variante expĺıcita con otra impĺıcita. La variante expĺıcita predice una aproximación,
mientras que la impĺıcita la corrige.

Para finalizar, destacaremos que el modelo base descrito en esta sección se encapsula en
un modelo atómico. Su propósito es verificar y validar todo el EWS y después mejorar los
modelos base manteniendo las mismas entradas y salidas en los componentes DEVS. En
este caso, la transición interna incluye el modelo de ecuaciones diferenciales. El modelo
atómico DEVs que encapsula las ecuaciones anteriores recibe los datos transmitidos por
los sensores relativos a las variables u, vx y vy. Una vez calculada la densidad de la floración
con la ecuación (4.1), si la densidad es suficiente para considerar que hay afloramiento
masivo, se calcula su nueva posición con las ecuaciones (4.2) y (4.3). En caso contrario,
la posición se restablece a la posición de búsqueda inicial.

4.2. Análisis de datos

El subsistema de análisis de datos se ubica en la capa Fog y en la capa Cloud y tiene
como cometido analizar la información almacenada en la base de datos y generar informes.
Actualmente hay implementados dos tipos de informes, los de la capa Fog y los de la capa
Cloud. En las siguientes secciones profundizaremos un poco más en cada uno de ellos.

4.2.1. Informes de la capa Fog

Los informes de la capa Fog consisten en diferentes gráficas que ayudan a visualizar todo
lo ocurrido durante la simulación. Por ahora, el informe consta de 22 gráficos, 6 de ellos
dinámicos, desarrollados utilizando la libreŕıa matplotlib de Python.

Cada informe de esta capa se divide en cinco grandes secciones: una inicial con gráficas
dinámicas para que el experto de dominio pueda hacerse una idea visual de la simulación.
Una segunda sección donde se muestran gráficas con los datos de la evolución de las
medidas de los sensores. Una tercera donde ocurre lo mismo que en la segunda sección
pero con las variables del bloom. Una cuarta similar a la de las dos secciones previas con la
evolución de las variables del USV y una quinta para la evolución del modelo predictivo.
Hagamos, pues, un recorrido por cada una de estas secciones para entender cómo se han
diseñado las gráficas y cuál es su aportación al marco de modelado y simulación DEVS-
BLOOM.

31



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Gráficas dinámicas

El primero de los gráficos que aparece en el informe de la capa Fog es un mapa animado
que muestra detalladamente el proceso de simulación. En él se puede observar en colores
más claros la cantidad de bloom real que hay en una masa de agua (que se obtiene de los
valores almacenados en una base de datos relacionada con una simulación realizada con el
software EEMS) en contraposición con el color oscuro del agua. Sobre esta información,
se muestra con un ćırculo rojo la cantidad y el tamaño del HAB predicho por el modelo
explicado en la sección anterior. Finalmente puede observarse también, representado con
un punto negro sobre el mapa, la posición del USV en cada momento. Por lo tanto,
esta gráfica nos ayuda a hacernos una idea visual de lo que está teniendo lugar en la
simulación, y nos permite observar si la predicción es correcta, y si la trayectoria del USV
es la adecuada.

La gráfica anterior se actualiza en cada frame de tiempo, de forma que el operador o el
experto pueda visualizar de forma simultánea el mapa de color que representa el bloom
real, el ćırculo del bloom predicho y la localización del barco. El código principal utilizado
para realizar esta representación gráfica es el siguiente:

# GRÁFICA 1

# ----------------------

# Mapa de color del bloom real

norm = plt.Normalize(0, 10)

alg = np.array(list(map(norm, algae[frame][1][lyr][:])))

colors = cmap(alg)

# Posición del bloom predicho

circle = Circle((v_bloom_lon[frame], v_bloom_lat[frame]), radius = 0.001 *

math.sqrt(v_bloom_size[frame]), fill = False, color = "red")

ax.add_patch(circle)

# Posición del USV

ax.plot(v_usv_lon[frame], v_usv_lat[frame], color = "black", marker = ’o’,

markersize = 4)

Un ejemplo de un frame del gráfico resultante se muestra en la figura 4.1, mientras que
un ejemplo de una animación completa puede verse en el v́ıdeo [81]. En dicha figura
puede observarse el lago completo, en el que las concentraciones más elevadas de algas se
encuentran en las zonas con colores amarillos, situadas en los extremos del lago. También
puede verse el punto negro que representa a la embarcación autónoma y el ćırculo rojo
que representa el bloom predicho.

32



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.1: Gráfico 1 del informe de la capa Fog

El segundo de los gráficos del informe es un mapa animado similar al anterior que muestra
en colores más claros la cantidad de ox́ıgeno disuelto en el agua con datos sacados de
EEMS. La cantidad de ox́ıgeno disuelta en las diferentes zonas de la masa de agua aporta
información muy importante para la predicción, pues las cianobacterias liberan ox́ıgeno
al hacer la fotośıntesis, por lo que las zonas con mayor ox́ıgeno del mapa son zonas donde
es más probable que haya un bloom. El código central del mapa animado es el mostrado
a continuación:

# GRÁFICA 2

# ----------------------

norm = plt.Normalize(0, 25)

disox = np.array(list(map(norm, disolved_oxygen[frame][lyr][:])))

colors = cmap(disox)

Un ejemplo de un frame del gráfico final se muestra en la figura 4.2, mientras que la
animación completa puede verse en el v́ıdeo [81] junto al resto de animaciones del informe.

33



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.2: Gráfico 2 del informe de la capa Fog

El tercer gráfico del informe de la capa Fog es un mapa dinámico similar a los anteriores
que muestra la cantidad de nitrógeno disuelto en el agua con datos sacados de EEMS.
Este es un dato fundamental para realizar la predicción, pues los nitratos son el alimento
principal del bloom, por lo que es más probable encontrarlos donde la cantidad de este
nutriente es más elevada. El código principal de este gráfico se muestra a continuación:

# GRÁFICA 3

# ----------------------

norm = plt.Normalize(0, 0.2)

nit = np.array(list(map(norm, nitrogen[frame][lyr][:])))

colors = cmap(nit)

La figura 4.3 muestra un ejemplo de un frame de este tipo de gráfico, aunque, como en
los dos casos anteriores, la animación completa puede verse en el v́ıdeo [81].

34



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.3: Gráfico 3 del informe de la capa Fog

La cuarta gráfica del informe representa la temperatura del agua en la posición en la que
se encuentra el USV en cada instante de tiempo, la radiación solar en la misma posición y
la bateŕıa del USV, que se recarga con la enerǵıa solar. Esta gráfica nos ayuda a visualizar
la correlación entre estas tres variables, pues la temperatura del agua y la bateŕıa del
barco dependen de la irradiancia del sol. El código utilizado para generar esta gráfica se
muestra a continuación:

# GRÁFICA 4

# ----------------------

# Radiación solar

ax.plot(hours, sun, color = "blue", label = "Radiación Solar (A/h)"

ax.plot(hours[frame], sun[frame], marker = ’o’, color = "blue")

# Temperatura del agua

ax2.plot(hours[initFrame : frame + 1], water_temp[lyr][myip][initFrame : frame

+ 1], color = "red", label = "Temperatura del Agua (◦C)")
ax2.plot(hours[frame], water_temp[lyr][myip][frame], color = "red", marker =

"o", markersize = 4)

35



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

# Baterı́a eléctrica del USV

ax.plot(hours[initFrame : frame + 1], v_usv_power[initFrame : frame + 1],

color = "black", label = "Baterı́a Eléctrica del USV (A/h) [0, 1]")

ax.plot(hours[frame], v_usv_power[frame], color = "black", marker = ’o’,

markersize = 4)

La figura 4.4 muestra la representación descrita. La radiación solar se muestra en azul.
La temperatura del agua se muestra en rojo y la bateŕıa del USV en negro. Como las
anteriores, la animación completa puede verse en el v́ıdeo [81]. De esta representación cabe
destacar que las curvas de la radiación solar se pintan todas a la vez y luego se va moviendo
dinámicamente un punto azul que indica el nivel de radiación en ese momento. Se ha
representado de esta manera para tener una referencia fija que ayude a la visualización.

Figura 4.4: Gráfico 4 del informe de la capa Fog

Las gráficas 5 y 6 del informe muestran dos mapas animados con las representaciones
respectivas de la velocidad del agua y del viento en forma de vectores que vaŕıan su módulo
y dirección. Actualmente en el modelo de predicción solo se utiliza la velocidad del agua,
pero la del viento es un parámetro a tener en cuenta y que en un futuro se podŕıa usar
también para las predicciones del estado de las cianobacterias, por lo que hemos incluido
en los informes una gráfica dinámica que lo representa. Del código de estas dos gráficas
que se incluye a continuación cabe destacar que los vectores se consiguen representar con
la función quiver.

# GRÁFICA 5

# ----------------------

# Velocidad del agua

ax.quiver(zonal_lon, zonal_lat, water_speed_x[frame][lyr][:] / 10,

water_speed_y[frame][lyr][:] / 10, color = ’b’)

36



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

# GRÁFICA 6

# ----------------------

# Velocidad del viento

ax.quiver(zonal_lon, zonal_lat, wind_speed_x[frame][:] / 10,

wind_speed_y[frame][:] / 10, color = ’b’)

Un ejemplo de estas gráficas se muestra en la figura 4.5, en las que puede observarse que
la velocidad del viento es más constante en toda la masa de agua que la velocidad de las
corrientes, que es más intensa en algunas zonas.

Figura 4.5: Gráficos 5 y 6 del informe de la capa Fog

Mediciones de los sensores

De la séptima gráfica en adelante nos encontramos con representaciones en las que se
muestra en el eje de ordenadas el valor de una variable determinada en cada instante de
tiempo de la simulación, que es representado en el eje de abscisas. Esto permite visualizar
la evolución temporal de diferentes variables de la simulación.

La gráfica número 7 muestra la radiación solar registrada durante el tiempo que dura
la simulación. La radiación solar es un parámetro importante a la hora de predecir el
bloom, pues influye en la realización de fotośıntesis de las cianobacterias. Por ello, a mayor
luminosidad solar, mayor probabilidad de encontrar HABs. El código de dicha gráfica se
presenta a continuación:

# GRÁFICA 7

# ----------------------

37



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

ax.plot(date[ini_frame : end_frame], sun[ini_frame : end_frame], color =

"blue")

Un ejemplo de esta representación se muestra en la figura 4.6. En ella se observa que hay
d́ıas con más intensidad lumı́nica y otros d́ıas que la meteoroloǵıa es menos favorable a
la formación de HABs al haber menos radiación solar.

Figura 4.6: Gráfico 7 del informe de la capa Fog

La gráfica número 8 es semejante a la anterior, pero muestra la temperatura del agua
en lugar de la luminosidad. La temperatura del agua favorece también la aparición de
blooms, por lo que es importante su medición y su representación para el estudio de su
comportamiento. A continuación se incluye el código correspondiente.

# GRÁFICA 8

# ----------------------

ax.plot(date[ini_frame : end_frame], v_water_temp[ini_frame : end_frame],

color = "blue")

La figura 4.7 muestra un ejemplo de la gráfica de la temperatura del agua en función de los
d́ıas que transcurren en la simulación. Pueden observarse en él fluctuaciones claras entre
las horas de sol y las de oscuridad, pues la radiación, también influye en este parámetro,
tal y como se véıa claramente en la gráfica 4.4.

Figura 4.7: Gráfico 8 del informe de la capa Fog

La novena gráfica del informe muestra la cantidad de nitratos medida por el sensor a lo
largo de la simulación. Como hemos comentado anteriormente, los nitratos representan el
alimento principal de las cianobacterias y es interesante estudiar las medidas obtenidas
por el sensor de la embarcación a lo largo de la simulación. El código de esta representación
es el siguiente:

# GRÁFICA 9

# ----------------------

38



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

ax.plot(date[ini_frame : end_frame], v_nitrate[ini_frame : end_frame], color =

"blue")

Un ejemplo de gráfica de la cantidad de nitratos medida es el representado en la figura
4.8.

Figura 4.8: Gráfico 9 del informe de la capa Fog

La gráfica 10 es semejante a la anterior, pero muestra las mediciones de ox́ıgeno disuelto
en vez de las de nitratos. Como se ha comentado con anterioridad, el ox́ıgeno puede ser
signo de que hay HABs por la zona. El código es el siguiente:

# GRÁFICA 10

# ----------------------

ax.plot(date[ini_frame : end_frame], v_oxygen[ini_frame : end_frame], color =

"blue")

La figura 4.9 muestra cómo es la representación de las mediciones de ox́ıgeno disuelto en
la masa de agua.

Figura 4.9: Gráfico 10 del informe de la capa Fog

En el gráfico número 11 se representan las mediciones del módulo de la velocidad del agua
a lo largo de la simulación. El código puede verse a continuación:

# GRÁFICA 11

# ----------------------

ax.plot(date[ini_frame : end_frame], v_water_speed[ini_frame : end_frame],

color = "blue")

Un ejemplo de esta representación puede observarse en la figura 4.10.

39



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.10: Gráfico 11 del informe de la capa Fog

Como último gráfico de medición de los sensores embarcados, la gráfica 12 representa el
módulo de la velocidad del viento que, como hemos comentado con anterioridad, puede
ser útil para predicciones futuras. El código es el que sigue:

# GRÁFICA 12

# ----------------------

ax.plot(date[ini_frame : end_frame], v_wind_speed[ini_frame : end_frame],

color = "blue")

En la figura 4.11 se observa un ejemplo de dicha representación.

Figura 4.11: Gráfico 12 del informe de la capa Fog

Información del bloom predicho

En cuanto al bloom predicho, hay una serie de valores que interesa representar. Uno de
ellos es si hay o no una afloración relevante a lo largo del tiempo. Por eso la gráfica 12
muestra el valor de una variable booleana que indica si ha habido detección de bloom a
lo largo de la simulación. Es interesante de cara al análisis de datos el número de veces
que se detecta una afloración de algas nocivas. El código de esta gráfica se muestra a
continuación:

# GRÁFICA 13

# ----------------------

ax.plot(date[ini_frame : end_frame], v_bloom_detection[ini_frame : end_frame],

color = "blue")

La figura 4.11 muestra las diferentes detecciones de bloom a lo largo del tiempo de simu-
lación.

40



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.12: Gráfico 13 del informe de la capa Fog

Otro parámetro que nos interesa medir es la densidad del bloom predicho. Esto se repre-
senta en la gráfica 13 del informe, para la que se ha programado el código siguiente:

# GRÁFICA 14

# ----------------------

ax.plot(date[ini_frame : end_frame], v_bloom_size[ini_frame : end_frame],

label = "HAB Predicho", color = "blue")

La figura 4.13 muestra un ejemplo de esta gráfica. Esta medida, comparada con la concen-
tración real de bloom resulta interesante porque nos ayuda a hacernos una idea visual del
error de predicción, error que será posteriormente calculado y utilizado para re-entrenar
el modelo de predicción, de lo cual hablaremos en la siguiente sección 4.3.

Figura 4.13: Gráfico 14 del informe de la capa Fog

Las dos siguientes gráficas del informe de la capa Fog muestran la variación en la longitud
y latitud (respectivamente) del bloom predicho. Esto nos sirve para hacernos una idea del
desplazamiento tanto en el eje x como en el eje y del HAB predicho. El código utilizado
para obtenerlas se muestra a continuación:

# GRÁFICA 15

# ----------------------

ax.plot(date[ini_frame : end_frame], v_bloom_lon[ini_frame : end_frame], color

= "blue")

# GRÁFICA 16

# ----------------------

ax.plot(date[ini_frame : end_frame], v_bloom_lat[ini_frame : end_frame], color

= "blue")

En la figura 4.14 se ve representada esta información.

41



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.14: Gráficos 15 y 16 del informe de la capa Fog

Mediciones de las variables del USV

Las últimas gráficas del informe hacen referencia a los datos de la embarcación. La primera
de las mismas, que es la gráfica número 17 del informe, representa el nivel de bateŕıa del
USV a lo largo del tiempo de simulación en relación con los niveles de radiación solar.
Esto nos permite apreciar, una vez más, la relación entre estos dos parámetros. El código
se presenta a continuación:

# GRÁFICA 17

# ----------------------

ax.plot(date[ini_frame : end_frame], v_usv_power[ini_frame : end_frame], label

= "Baterı́a del USV", color = "blue")

ax.plot(date[ini_frame : end_frame], sun[ini_frame : end_frame], label =

"Sun", color = "Radiación Solar")

La figura 4.15 muestra un ejemplo de la representación gráfica descrita.

Figura 4.15: Gráfico 17 del informe de la capa Fog

La segunda gráfica del USV plasma el módulo de la velocidad del mismo a lo largo de
las misiones que realiza durante la simulación. Esta velocidad se calcula a partir de la
distancia que recorre y del tiempo que tarda en recorrerla. El código, una vez más, se
muestra a continuación:

# GRÁFICA 18

# ----------------------

ax.plot(date[ini_frame : end_frame], speed[ini_frame : end_frame], color =

"blue")

42



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

En la figura 4.16 se muestra un ejemplo de la representación de la velocidad del USV.

Figura 4.16: Gráfico 18 del informe de la capa Fog

Por último, se muestran en el informe dos gráficas análogas a las de la figura 4.14, pero
representando esta vez la variación en la longitud y latitud de la posición del USV. El
código implementado para obtenerlas es el siguiente:

# GRÁFICA 19

# ----------------------

ax.plot(date[ini_frame : end_frame], v_usv_lon[ini_frame : end_frame], color =

"blue")

# GRÁFICA 20

# ----------------------

ax.plot(date[ini_frame : end_frame], v_usv_lat[ini_frame : end_frame], color =

"blue")

En la figura 4.17 puede verse un ejemplo de su representación.

Figura 4.17: Gráficos 19 y 20 del informe de la capa Fog

Evolución de la función de error

La última sección del informe está dedicada a representar el error cometido por el modelo
de predicción respecto a la situación real del bloom de cara a poder discernir si es nece-
sario re-entrenar el modelo. Por este motivo, la gráfica número 21 muestra enfrentadas
la densidad real del bloom (obtenida de EEMS) en la localización de la embarcación y
el valor predicho por nuestro modelo en la misma localización. El código utilizado para
generarla es el siguiente:

# GRÁFICA 21

43



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

# ----------------------

ax.plot(date[ini_frame:end_frame], v_bloom_size[ini_frame:end_frame], label =

"HAB Predicho")

ax.plot(date[ini_frame:end_frame], v_algae[ini_frame:end_frame], label = "HAB

Real", color = "purple")

En la figura 4.18 puede verse un ejemplo de esta representación en la que se nota clara-
mente la discrepancia entre los valores de ambas curvas a lo largo del tiempo.

Figura 4.18: Gráfico 21 del informe de la capa Fog

Por último, en la gráfica número 22 se representa en color rojo y con un trazo continuo
el error calculado como la diferencia de las dos curvas mostradas en la gráfico anterior
(representado en la figura 4.18) y en color azul y un trazo discontinuo la media aritmética
de dicho error. El código utilizado para representar ambas curvas es el siguiente:

# GRÁFICA 22

# ----------------------

ax.plot(date[ini_frame:end_frame], error[ini_frame:end_frame], color = "red",

label = "Error")

ax.plot(date[ini_frame:end_frame], error_mean[ini_frame:end_frame], ’--’,

label = f"Media aritmética del error = {’ %.2f’ %error_mean_value}")

Y finalmente, un ejemplo de este tipo de gráfica puede ser observado en la figura 4.19.

Figura 4.19: Gráfico 22 del informe de la capa Fog

4.2.2. Informes de la capa Cloud

Los informes de la capa Cloud se encuentran en fase preliminar, por lo que son más
sencillos que los de la capa Fog. Estos consisten en una tabla en la que se muestran los
resultados de algunos cálculos que se realizan sobre la información almacenada en la base
de datos global y un mapa de calor que muestra los lugares donde se han encontrado HABs

44



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

tras haber realizado una simulación. Dichos lugares serán denominados calientes porque
existe una probabilidad significativamente alta de que las formaciones de cianobacterias
vuelvan a aparecer en ellos.

Más concretamente, la primera parte del informe de la capa Cloud consiste en una ta-
bla que recoge los resultados obtenidos al realizar los siguientes cálculos sobre diferentes
variables de la base de datos:

Recuento total, que es equivalente al cardinal del número de elementos del conjunto.
El concepto matemático es el siguiente:

|X| = n ↔ ∃f : Nn 7→ X

donde f es una función biyectiva y Nn es el conjunto de los n primeros números
naturales.

Media aritmética, que se calcula, tal y como se muestra a continuación, como la
suma de todos los valores pertenecientes a un conjunto, dividida entre el número
total de sumandos.

µ =
1

N

N∑
i=1

xi

donde µ es la media aritmética, xi son los datos de la muestra y N es el número de
datos en la muestra.

Desviación t́ıpica, que representa la variación de los datos con respecto a la media,
y que se calcula de la siguiente forma:

σ =

√√√√ 1

N

N∑
i=1

(xi − µ)2

donde σ es la desviación t́ıpica, xi son los datos de la muestra, µ es la media aritméti-
ca y N es el número de datos en la muestra.

Valor mı́nimo, es decir, el valor más pequeño del conjunto:

mı́n(X) = a ↔ a ≤ xi ∀xi ∈ X

Percentil 25, que indica el valor que deja a la izquierda de la distribución el 25% de
los datos de un conjunto por ser inferiores a él. Su fórmula es:

P25 =

(
N + 1

100

)
× 25

donde N es el número total de datos del conjunto.

Percentil 50, que indica el valor que deja a la izquierda de la distribución el 50% de
los datos de un conjunto por ser inferiores a él. Su fórmula es:

P50 =

(
N + 1

100

)
× 50

donde N es el número total de datos del conjunto.

45



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Percentil 75, que indica el valor que deja a la izquierda de la distribución el 75% de
los datos de un conjunto por ser inferiores a él. Su fórmula es:

P75 =

(
N + 1

100

)
× 75

donde N es el número total de datos del conjunto.

Valor máximo, es decir, el valor más grande del conjunto:

máx(X) = a ↔ a ≥ xi ∀xi ∈ X

Los datos sobre los que se aplican estos cálculos actualmente son el nivel de la bateŕıa
eléctrica del barco, la longitud y latitud sobre los que se ha situado la embarcación a
lo largo de la misión, el error de la posición de la embarcación (también por separado,
respectivamente, longitud y latitud) respecto a la localización de la predicción, el valor
de la radiación solar, la velocidad del agua (por separado, respectivamente, sobre los ejes
x e y), la temperatura del agua, la densidad del HAB predicho y la posición del mismo
(por separado, respectivamente, su longitud y latitud).

El cálculo de estos valores es de gran ayuda para analizar de forma global los datos de
una simulación, y para conocer el error cometido en la predicción y analizar la necesidad
de re-entrenar el modelo predictivo desarrollado para estimar el estado del bloom de
cianobacterias.

Visualmente, la tabla del informe es similar a la representada en el cuadro 5.1 que ob-
servamos a continuación, aunque es probable que el número y contenido de las columnas
vaŕıe en función de las necesidades de la simulación llevada a cabo.

Tabla 4.1: Tabla del informe de la capa Cloud

Para poder realizar estos cálculos es necesario que durante la simulación todos los datos
de la misma se guardan en un fichero tipo .csv, que es léıdo antes de generar los datos del
informe Cloud da cada simulación. Para ello utilizamos la función describe() de la libreŕıa
pandas. El código con el que se genera la tabla anterior puede verse a continuación:

df = pd.read_csv(base_folder + "/FogServer.InferenceService.csv")

report1 = df.describe()

46



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Por último y tal como ya hemos explicado anteriormente, el informe de Cloud recoge
un mapa de calor que muestra las zonas calientes. Para representarlo se ha utilizado la
función density mapbox de la libreŕıa plotly de Python. Esta es una libreŕıa que permite
crear gráficos interactivos como diagramas de ĺıneas, diagramas de dispersión, gráficos de
área, gráficos de barras, etc.

El código utilizado para generar dicho mapa en formato html es el siguiente:

fig = px.density_mapbox(report3, lat=’latitude’, zoom=12, lon=’longitude’,

z=’density’, mapbox_style="stamen-terrain")

fig.write_html(self.base_folder + "/cloud-report3.html")

Y un ejemplo de este mapa de calor se muestra en las figuras 4.20 y 4.21, utilizando colores
más claros para las zonas donde es más probable localizar los blooms de cianobacterias.

Figura 4.20: Mapa de calor generado por el informe de Cloud

47



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Figura 4.21: Zoom sobre el mapa de calor del informe

4.3. Servicio de entrenamiento

El modelo del servicio de entrenamiento se ubica en la capa Cloud, y su función es re-
entrenar el modelo de predicción del bloom ubicado en la capa Fog para poder mejorar
el resultados de las nuevas predicciones. En concreto, lo que queremos es empezar entre-
nando la ecuación (4.7) propuesta al principio del caṕıtulo, para ajustar las constantes
que forman parte de ella de manera que los resultados de la predicción se ajusten a la
situación real del HAB. Esto se consigue minimizando el error, es decir, la distancia entre
nuestra predicción y los datos reales del HAB obtenidos de EEMS estimada del bloom, es
decir, en la posición calculada por las ecuaciones (4.2) y (4.3).

Repasando la sección 4.1, podemos recordar que la ecuación 4.7 modela la evolución de
densidad de HAB en función de 3 constantes, k1, k1 y k3 definidas en un primer momento
de forma manual a los siguientes valores por defecto:

k_1 = 1

k_2 = 1

k_3 = 1

Lo que buscamos en el servicio de entrenamiento es, por tanto, reajustar estas constantes
de forma que se minimice el error en el estado del bloom cuando este aumente sustancial-
mente. Para ello se utilizó inicialmente el método del descenso de gradiente [82, 83], que
es un algoritmo utilizado para encontrar los valores de los parámetros de una función que
minimizan una función de coste. Este método es ampliamente utilizado en el ámbito del
aprendizaje automático.

De forma general, el proceso del gradiente descendiente consiste en inicializar los paráme-
tros de la función con valores aleatorios, calcular el gradiente (o derivada parcial) de la
función de coste con respecto a cada parámetro, y actualizar los valores de los parámetros
en la dirección del gradiente si se busca maximizar la función objetivo, o en dirección
opuesta al gradiente si lo que se busca es minimizar dicha función. Además, el ajuste de
los valores de los parámetros se hace de forma incremental utilizando un factor adicional
constante. Este proceso se repite varias veces hasta que la función de coste (que es el error
de predicción en este caso) alcance un valor mı́nimo o máximo (en función de lo que se
busque) o se hayan llevado a cabo un número espećıfico de iteraciones.

48



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Formalmente, si queremos minimizar la función objetivo, empezando en un punto aleatorio
x0, y avanzando una distancia positiva α en la dirección indicada por el gradiente negativo,
el nuevo valor de x1 será de la forma:

x1 = x0 − α∇f(x0)

Generalizando la fórmula anterior para las diferentes repeticiones, se obtiene la siguiente
expresión que se debe aplicar durante las iteraciones del servicio de aprendizaje:

xn+1 = xn − α∇f(xn) (4.13)

donde xn+1 es el valor siguiente que estamos calculando, xn es el último valor obtenido, α
es la distancia a recorrer en la dirección indicada, y ∇f(xi) es el gradiente de la función
objetivo (error en nuestro caso) en el último valor obtenido. Aśı, a partir de un valor
aleatorio inicial se va mejorando la solución hasta encontrar un mı́nimo local. La figura
4.22 ilustra este proceso de forma sencilla.

Figura 4.22: Representación de la técnica de descenso de gradiente (fuente: [83])

Para aplicar este método a nuestro problema de aprendizaje solo necesitábamos definir
la función objetivo, también llamada función de coste. Para ello, hemos seleccionado la
función del error cuadrático medio (MSE, del inglés, Mean Square Error), que compara el
valor predicho con el valor conocido, calculando el error entre ellos de la siguiente forma:

MSE =
1

n

n∑
i=1

(yi − ŷi)
2

donde n es el número de datos de entrenamiento, yi es el valor real para el i-ésimo dato
de entrenamiento e ŷi es el valor predicho para el i-ésimo dato de entrenamiento.

49



CAPÍTULO 4. IMPLEMENTACIÓN DE LOS SUBSISTEMAS DE PREDICCIÓN Y
ANÁLISIS

Aśı, nuestra función de coste se definió como el error cuadrático medio entre la ecuación
(4.5) que predice la densidad del bloom y los valores reales obtenidos por EEMS. La
función de coste será por tanto la siguiente:

f(k1, k2, k3) =
1

n

n∑
i=1

(yi − (k1 · photo+ k2 · breath− k3 · (ri − r0)))
2 (4.14)

donde n es el número de datos de entrenamiento, yi es el valor real para el i-ésimo dato
de entrenamiento, ri es el i-ésimo valor de nutrientes predicho, h es el paso de tiempo, y
photo y breath son las variables calculadas mediante la ecuación (4.6) en función de la
cantidad de nitratos, el ox́ıgeno disuelto y la radiación solar.

El código utilizado para calcular el error cuadrático medio fue el siguiente:

MSE = np.square(np.subtract(v_bloom_perdicted, v_real_bloom)).mean()

Sin embargo, este método no converǵıa en algunos casos, por lo que se decidió utilizar
la función curve fit de la libreŕıa scipy, que utiliza el modelo de regresión por mı́nimos
cuadrados no lineales (NLS, del inglés, Nonlinear Least Squares) para ajustar el modelo
predictivo a los datos. Es decir, dada una aproximación numérica a la ecuación diferencial
evaluada en el instante de tiempo ti, y un valor inicial k0 de k = [k1, k2, k3], el conjunto
de parámetros a ajustar se estiman minimizando la siguiente expresión:

k̂ = mı́n
N∑
i=1

[ri − r̂(ti,k, r0)]
2 (4.15)

donde k̂ representa los parámetros a estimar, ri son los datos reales de densidad de
floración en el instante ti, y r̂(ti,k, r0) representa la predicción para el instante ti [84].
Este método śı converge, como podrá observarse en el caso de uso expuesto en el caṕıtulo
5.

Por último cabe explicar que el sistema de entrenamiento no está encapsulado en un
modelo atómico. En su lugar, se simula el modelo acoplado EWS replicando la misión
actual, y si el error supera un umbral dado, se lanza el servicio de entrenamiento de la
siguiente manera:

# Inicializa la simulación DEVS con el modelo EWS

Coodinator coordinator(ews_model)

# Ejecuta la simulación y obtén el error

coordinator.simulate()

error = ews_model.get_predictive_error()

# Ajustar los parámetros cuando error > umbral

if (error > threshold):

ews_model.adjust_predictive_model()

50



Caṕıtulo 5

Caso de uso

Esta sección presenta un escenario de simulación que pone a prueba la arquitectura e
implementación del software desarrollado. En ella se muestran todos los resultados de la
simulación de forma gráfica y visual para que el lector pueda ser part́ıcipe del funciona-
miento práctico de DEVS-BLOOM.

5.1. Descripción del escenario

El cuerpo de agua seleccionado para la simulación es el lago Washington, situado en el
estado de Wahington de EEUU y cuya localización y forma superficial puede observarse en
la figura 5.1. Más concretamente, nos centraremos en el área sur de dicho lago, delimitada
en la misma figura por un rectángulo rojo.

En este caso, todo el conjunto de datos de la masa de agua es sintético y se genera con
la herramienta EEMS [17], que incorpora un modelo preciso del lago y que permite la
simulación de algas configurables con la mayoŕıa de las propiedades de las cianobacterias.

De esta forma, cuando sea necesario cada uno de los sensores embarcados en el USV leerá
el dato correspondiente del fichero generado por EEMS y lo transmitirá a la capa Fog.
Estas lecturas de datos y sus correspondientes transmisiones a la capa Fog tienen lugar
cada 30 minutos del d́ıa simulado. Además, el USV enviará también a la capa Fog las
coordenadas de su posición y el nivel restante de su bateŕıa. Esto nos permitirá monitorizar
el estado de la afloración de cianobacterias y alimentar el modelo de predicción.

5.2. Simulación

La simulación utilizada tiene lugar entre el d́ıa 23 de agosto de 2008 a las 00 : 00 horas
y el d́ıa 7 de septiembre de 2008 a la misma hora en la zona sur del lago de Washington,
en Estados Unidos. Estos son datos antiguos porque se corresponden a una simulación
proporcionada como ejemplo con la herramienta EEMS. En total, se ha elegido una si-
mulación de 18 d́ıas, cuyas caracteŕısticas serán también pautadas por las instrucciones
almacenadas en el fichero que gestiona el modelo atómico Generator, cuya parte principal
podemos observar a continuación:

51



CAPÍTULO 5. CASO DE USO

Figura 5.1: Lago de Washington en Washington, Estados Unidos

DATETIME;COMMAND;ARGUMENTS

2008-08-23 00:00:00;CMD_START_SIM;

2008-09-07 00:00:00;CMD_SAVE_DATA;

2008-09-07 00:00:00;CMD_FOG_REPORT;

2008-09-07 00:00:00;CMD_STOP_SIM;

2008-09-07 00:00:00;CMD_CLOUD_REPORT;

Aśı, el 23 de agosto de 2008 comienza la simulación con la instrucción CMD START SIM,
que reciben todos los modelos conectados al Generador. Durante la simulación, cada 30
minutos virtuales los sensores realizan mediciones y env́ıan los datos al GCS. Este, a
su vez, env́ıa la información al servicio de predicción detallado en la sección 4.1, que
dispone del modelo predictivo basado en ecuaciones en diferencias descritas en la misma
sección. El servicio de predicción utilizando los datos recibidos de los sensores, es decir, la
velocidad del agua, las concentraciones de ox́ıgeno y nitratos, y la radiación solar, predice
la aparición y el desplazamiento de HABs. Luego, env́ıa el resultado de la predicción de
vuelta al CGS, quien se la transmite al planificador para que en función de la posición
y el tamaño del HAB predicho genere los puntos de paso obligatorio del USV, a quien

52



CAPÍTULO 5. CASO DE USO

se los manda una vez calculados. Para cerrar el bucle, el USV navega hasta el punto de
paso obligatorio (en la simulación lo hace virtualmente) y vuelve a tomar las medidas
correspondientes en esa nueva posición, enviándoselas de nuevo a la capa Fog y lanzando
la repetición de todo el proceso descrito en este párrafo.

Un apunte importante sobre el modelo de predicción es que inicializa la localización del
bloom al comienzo del d́ıa en la zona sur del lago, junto a un canal que desemboca en
una zona poco profunda. Estas zonas son conocidas como incubadoras por brindar las
condiciones ideales para la formación de afloraciones y acumulaciones de nitratos. Por lo
tanto, es muy probable que la afloración nazca en esta zona, y a continuación crezca con
la radiación solar, se mueva con las corrientes de agua y se disperse por el resto del lago.

Justo antes de terminar la simulación, el Generator env́ıa las instrucciones CMD SAVE DATA

para que el GCS env́ıe toda la información a la capa Cloud y CMD FOG REPORT para
que se genere el informe de la capa Fog. Finalmente, se termina la simulación con el
comando CMD STOP SIM, mandando la instrucción CMD CLOUD REPORT para que el servicio
de análisis de datos genere el informe de la capa Cloud. Con los datos de este informe, se
evalúa la posibilidad de reajustar los parámetros del modelo predictivo con el servicio de
entrenamiento para mejorar su precisión y adaptarlo a las peculiaridades de cada masa
de agua.

5.3. Análisis de datos

El informe de la capa Fog muestra todos los detalles de la simulación, generando un v́ıdeo
(que puede encontrarse en [81]) en el que se incluyen 6 gráficas dinámicas que ilustran
la simulación de manera muy exhaustiva y visual. La figura 5.2 es una imagen tomada
de un frame de dicho v́ıdeo. En ella, pueden observarse las seis gráficas, cuyo contenido
explicaremos a continuación.

53



CAPÍTULO 5. CASO DE USO

Figura 5.2: Marco de simulación del seguimiento de HABs

El gráfico superior izquierdo muestra el mapa de densidad de cianobacterias en la capa
superficial, marca con un ćırculo rojo sobre el mapa la posición y el tamaño de la afloración
predicha, e indica con un punto negro sobre la misma gráfica la posición actual del USV. El
mapa que representa la densidad de HABs se ilustra con datos tomados directamente del
simulador EEMS para validar que el modelo de predicción está anticipando correctamente
la dinámica del bloom. Aśı, es fácil observar que el ćırculo rojo va moviéndose a posiciones
con colores más claros, lo que indica que contienen más bloom, y el ćırculo negro va
siguiendo al rojo haciendo caso a las órdenes enviadas por el planificador.

El gráfico central superior muestra el mapa completo de la densidad de ox́ıgeno disuelto
en la capa superficial. El USV toma esta medida en su posición y se la env́ıa a la capa
Fog, donde es utilizada por el modelo de predicción para decidir si hay afloración o no,
basándose en que, como las cianobacterias en la fotośıntesis producen mucho ox́ıgeno,
donde más ox́ıgeno haya habrá más probabilidad de que haya también un HAB.

El gráfico superior derecho muestra el mapa equivalente al anterior con la densidad de
nitrato en la superficie. El modelo de predicción utiliza la medida igualmente tomada por
el USV del modelo EEMS para estimar el crecimiento de la afloración, ya que los nitratos
son el principal alimento del bloom, por lo que cuanto más nitratos hay en la masa de
agua más probabilidad de que el tamaño de la afloración aumente.

El gráfico inferior izquierdo muestra tres señales en función de la hora del d́ıa: la radiación
solar, representada en color azul en la gráfica y medida por el sensor de irradiancia; la
temperatura del agua, representada en color rojo y medida por uno de los sensores del
USV; y el nivel de bateŕıa del barco, representada en color negro en la gráfica. Con esta
gráfica podemos comprobar que la bateŕıa del barco se recarga con la radiación solar, y que
la temperatura es lógicamente más elevada en las horas en las que hay más radiación solar.

54



CAPÍTULO 5. CASO DE USO

Esto afecta también al crecimiento del bloom, y es utilizado por el modelo de predicción
para predecir su formación.

Los dos gráficos inferiores restantes muestran el mapa con la dirección y velocidad media
del agua (centro) y del viento (derecha) en la capa superficial. El barco mide esta señal en
su posición y la transmite a la capa Fog para que el modelo de predicción pueda estimar
el desplazamiento de la afloración y en consecuencia el planificador pueda calcular el
próximo punto de medida del USV.

Como se mencionó anteriormente, todos los datos utilizados en esta simulación son sintéti-
cos. En consecuencia, todos los sensores funcionan en modo virtual. Cuando un sensor
debe tomar una medida, busca en la base de datos del archivo EEMS, modifica la señal
según sus caracteŕısticas técnicas y genera un mensaje con el valor de la señal como los
mostrados en la figura 3.4. La capa Fog recibe estas señales para realizar diferentes cálcu-
los como la predicción del modelo y la planificación de la trayectoria del USV, y al finalizar
la simulación env́ıa la información a la capa Cloud.

Además, el informe de la capa Fog genera una serie de gráficos que representan la evolución
de diferentes datos utilizados por el modelo de predicción para pronosticar la formación
de HABs a lo largo de toda la simulación, que dura en total 18 d́ıas.

Aśı, en la figura 5.3 podemos observar 6 gráficas que muestran las diferentes medidas a
lo largo del tiempo de todos los sensores de la embarcación, a excepción del de densidad
de HAB, cuya representación se encuentra más adelante. Más concretamente, las gráficas
de la figura 5.3 muestran la radiación solar, la temperatura del agua, la densidad de
nitratos disueltos, la densidad de ox́ıgeno disuelto, el módulo de la velocidad del agua y el
módulo de la velocidad del viento, todos ellos obtenidos a lo largo de la simulación desde
la localización en la que se encontraba en cada momento el USV.

En la figura 5.4 se observan 4 gráficas con información sobre el bloom inferido. La primera
de ellas muestra el valor de un booleano que representa si se ha detectado afloramiento
o no. En ella puede verse que se ha detectado un total de 11 veces a lo largo de la
simulación. Además, se puede observar en la segunda gráfica representada la concentración
de cianobacterias medida a lo largo del tiempo. Las dos últimas gráficas representan,
respectivamente, la longitud y latitud de la posición del bloom predicho.

Estudiando los valores representados en las dos figuras que acabamos de mencionar, 5.3 y
5.4 podemos entender la correlación entre la densidad de nitratos y de ox́ıgeno disueltos
en el agua (gráficas 3 y 4 de la figura 5.3) y la detección de bloom (gráfica 1 de la figura
5.4). Es claro por lo observado en ellas que a mayor concentración de nitratos y ox́ıgeno
disuelto en el agua, más detección de afloraciones de bloom.

55



CAPÍTULO 5. CASO DE USO

Figura 5.3: Medidas de los sensores embarcados a lo largo de la simulación

Figura 5.4: Información del bloom inferido durante la simulación

La figura 5.5 muestra las variables más relevantes del estado del modelo acoplado USV. El
primer gráfico muestra el nivel de carga de la bateŕıa y la radiación solar. Aqúı se puede
ver claramente la recarga de bateŕıa llevada a cabo a partir de la enerǵıa que aporta el
sol. La segunda gráfica muestra el módulo de la velocidad de la embarcación, calculado
en base al espacio que recorre en cada iteración de tiempo. Los gráficos tercero y cuarto
muestran la posición (longitud y latitud) de la embarcación a lo largo del tiempo que dura
la simulación. Con toda esta información puede observarse por ejemplo que el d́ıa 30 de

56



CAPÍTULO 5. CASO DE USO

agosto el USV se queda sin bateŕıa porque ha estado rastreando afloraciones en puntos
distantes durante cuatro d́ıas consecutivos.

Figura 5.5: Información de los parámetros del USV durante la simulación

Finalmente, podemos observar en la primera gráfica de la figura 5.6 los valores de la
densidad del bloom real y de su predicción. Esta gráfica está relacionada con la segunda,
que muestra la diferencia entre ambos valores mediante la ĺınea continua, y la media
aritmética del error cometido entre ambas mediante la ĺınea discontinua. Esta información
es necesaria para reentrenar los parámetros del modelo predictivo.

Figura 5.6: Error cometido en la predicción de HABs

Por último se generan los informes de la capa Cloud, que crean una tabla que resume las
caracteŕısticas más relevantes de diferentes variables de la simulación, como son la bateŕıa
del USV, la radiación solar, la temperatura del agua y el tamaño del bloom. Para ello
se realizan diferentes operaciones sobre los datos, como la media aritmética, el mı́nimo,
el máximo, etc. La tabla correspondiente a los valores de la simulación recogida en este
TFM se puede ver en el cuadro 5.1.

57



CAPÍTULO 5. CASO DE USO

Tabla 5.1: Tabla con cálculos sobre los datos de la simulación

Por otro lado, el informe hace un recuento del número total de HABs detectados a lo largo
de toda la simulación, de cara también al análisis de datos. En la simulación llevada a cabo
para este trabajo, el recuento total de afloraciones a lo largo de los 18 d́ıas transcurridos
ha sido de un total de 11, aproximadamente uno cada dos d́ıas, como podemos ver en la
información representada en el cuadro 5.2.

Tabla 5.2: Número de HABs detectados en la simulación

También se genera un mapa de calor interactivo que muestra las zonas más probables en
las que encontrar HABs en base a las mediciones realizadas durante la simulación. Este
mapa, que muestra con colores más claros las zonas más calientes, se puede observar en
la figura 5.7.

Figura 5.7: Mapa de calor de las zonas con más probabilidad de encontrar HABs

58



CAPÍTULO 5. CASO DE USO

Según vamos haciendo un zoom sobre el mapa vemos con más claridad la distribución
de las zonas más probables en las que puede aparecer HAB. Para ilustrar este hecho, los
resultados de dos niveles de zoom diferentes son los representados en las figuras 5.8 y 5.9.

Figura 5.8: Ampliación del mapa de calor con más probabilidad de encontrar HABs

Figura 5.9: Segunda ampliación del mapa de calor con más probabilidad de encontrar
HABs

59



CAPÍTULO 5. CASO DE USO

5.4. Entrenamiento

Una vez finalizada la simulación y ejecutado el modelo de análisis de datos, podemos ver el
error de predicción en la sección final del informe de la capa Fog. Esta primera simulación
se ha realizado con los valores por defecto de las constantes, que son k1 = 1, k2 = 1 y
k3 = 1.

El resultado de dicha simulación y la diferencia entre los datos reales y los previstos para
la densidad de floración ya se mostraron en la figura5.6. El error medio aritmético de
esta simulación resultó ser de 5, 13, lo que es elevado. Por tanto, se activa el servicio de
entrenamiento, que inicia el método de mı́nimos cuadrados no lineales para minimizar
el error. Cuando finaliza el servicio de entrenamiento, devuelve los nuevos valores de
los parámetros 3 del modelo base de densidad, que en este caso son k1 = 1, 02424907,
k2 = 0, 35783188 y k3 = 2, 2402504, y que se sustituyen por los antiguos en las ecuaciones
diferenciales. Aśı, se vuelve a lanzar una nueva simulación con un modelo predictivo más
preciso, como puede verse en la figura 5.10, que representa la nueva diferencia entre lo
predicho.

k_1 = 1,02424907

k_2 = 0,35783188

k_3 = 2,2402504

Figura 5.10: Error en la densidad del bloom predicho tras el entrenamiento

La figura muestra las predicciones antes y después del entrenamiento, comparadas con
los datos reales de densidad de floración. La ĺınea de densidad de los modelos ajustados
sigue mejor la dinámica de los datos que la ĺınea de la predicción sin ajustar. Además, el
error medio aritmético entre la predicción y los datos reales ha disminuido de 5, 13 a 2, 09
con respecto a la ejecución anterior, lo que implica que el error se ha reducido en más de
la mitad. Sin embargo, cabe mencionar que aunque el modelo de predicción de densidad
aún no sigue la misma dinámica que los datos reales, ya es capaz de detectar los picos de
la dinámica.

60



CAPÍTULO 5. CASO DE USO

Figura 5.11: Diferencias en la predicción del bloom antes y después del entrenamiento

61



Caṕıtulo 6

Conclusiones

En este caṕıtulo se revisan los objetivos establecidos en la sección 1.3 del primer caṕıtulo
y proporciona un resumen general de las principales conclusiones obtenidas durante la
realización de este TFM. Al final del caṕıtulo, también se presentan algunas sugerencias
de trabajos de investigación futuros que debeŕıan realizarse a continuación de este TFM.

6.1. Revisión de objetivos

A lo largo de este documento se han abordado los objetivos establecidos al comienzo
del trabajo. En esta sección, se revisará cómo se han logrado cada una de las metas
establecidas, relacionando el trabajo desarrollado con los objetivos propuestos.

Profundizar en el conocimiento de las cianobacterias, los sistemas de predic-
ción y el formalismo DEVS

El primero de los objetivos generales [O1] marcaba como meta realizar un estudio sobre el
ámbito de las cianobacterias, su origen y su impacto en el medio ambiente, sobre la situa-
ción actual de los sistemas de alerta temprana y sobre el formalismo DEVS. Precisamente,
en el caṕıtulo 2 se realiza el estudio del estado del arte, y con ello queda cubierto este ob-
jetivo general. De forma más detallada, en la sección 2.1 se realizó un análisis exhaustivo
de las cianobacterias, su morfoloǵıa, alimentación, comportamiento e impacto tanto am-
biental como económico y sanitario, cumpliendo aśı el objetivo espećıfico [O1.1]. Además,
en la sección 2.2 se hizo un recorrido por los sistemas de alerta temprana existentes en la
literatura, cumpliendo aśı con el objetivo espećıfico [O1.2]. Por último, en la sección 2.3
se profundiza en el estudio del formalismo DEVS y sus aplicaciones, obedeciendo aśı al
objetivo espećıfico [O1.3].

Participar en la creación de la arquitectura en DEVS de un sistema para la
monitorización de HABs

El objetivo general [O2] propońıa la participación en la creación de un sistema integral en
DEVS para la monitorización y predicción de afloraciones de cianobacterias. Este objetivo
fue completado en los caṕıtulos 3 y 4, en los que se explica las labores realizadas en este
TFM para ampliar la funcionalidad de la arquitectura global del sistema. Los subobjetivos
[O2.1], [O2.2] y [O2.3] que proponen la implementación del subsistema de predicción y

62



CAPÍTULO 6. CONCLUSIONES

análisis de datos y la creación de un modelo de entrenamiento se logran a lo largo de estos
dos caṕıtulos, aunque de forma más espećıfica el trabajo realizado en cada uno de estos
servicios se detalla respectivamente en las secciones 4.1, 4.2 y 4.3 del caṕıtulo 4.

Integrar y verificar los módulos desarrollados en la arquitectura DEVS

En cuanto al objetivo [O3], que consist́ıa en integrar los sub-modelos desarrollados en la
arquitectura, de nuevo se satisface a lo largo de los caṕıtulos 3 y 4, en los cuales se ven
cumplidos uno a uno los objetivos espećıficos [O3.1], [O3.2] y [O3.3].

Comprobar el funcionamiento del sistema a través de un caso de uso

Por último, el objetivo general [O4] que propońıa la comprobación del funcionamiento
del sistema a través de un caso de uso, se logra en el caṕıtulo 5 de la memoria de este
TFM. En dicho caṕıtulo se realizó una simulación completa, en la que se ha confirmado el
correcto funcionamiento de todos los servicios, y más espećıficamente de los servicios de
predicción, análisis de datos y entrenamiento, cumpliendo de esta forma los subobjetivos
[O4.1], [O4.2], [O4.3] y [O4.4].

6.2. Trabajo futuro

Al analizar los diferentes caṕıtulos de este documento, se puede determinar que se han
cumplido con éxito los objetivos propuestos. Sin embargo, es posible continuar mejorando
el sistema DEVS-BLOOM, motivo por el que a continuación se presentarán diferentes
posibles ĺıneas de investigación futura en esta área.

Al ser IA-GES-BLOOM-CM un proyecto tan complejo y que engloba tantos elementos
dentro de su infraestructura, se abren numerosos caminos de cara a un trabajo futuro para
mejorar el sistema. De hecho, hay algunas funcionalidades del proyecto que se encuentran
aún en fases poco avanzadas del proceso de desarrollo.

En la capa Edge, cabŕıa lanzar simulaciones que tuviesen más de un USV, lo cual implicaŕıa
también una ĺınea de investigación futura en la capa Fog, para poder planificar varias
trayectorias dentro de la misma masa de agua y optimizar los resultados.

Dentro de la capa Fog, el planificador de trayectorias del USV y el servicio de detección de
valores at́ıpicos ofrecen muchas v́ıas de investigación futura. Por ejemplo, la optimización
de la trayectoria del barco teniendo en cuenta los puntos en los que debe medir es sin
duda un problema que puede abordarse desde diferentes puntos de vista.

En cuanto al servicio de predicción, se pueden plantear diferentes ĺıneas de investiga-
ción. En primer lugar, podŕıan idearse unas ecuaciones más sofisticadas para modelar
el comportamiento del bloom aplicando también la dinámica de fluidos al transporte de
nutrientes y/o teniendo en cuenta factores adicionales como la densidad y la viscosidad
de la masa de agua en la que se está realizando la simulación. También podŕıa mode-
larse el comportamiento de las cianobacterias con redes neuronales del tipo LSTM (del
inglés, Long Short-Term Memory). O utilizando las ecuaciones diferenciales originalmen-
te propuestas, podŕıan probarse diferentes métodos numéricos de integración, estudiando
también el coste computacional asociado a cada uno de los mismos. Por último, podŕıa
modelarse también el movimiento vertical de las cianobacterias.

63



CAPÍTULO 6. CONCLUSIONES

En lo referente a los informes de la capa Fog, generados por el servicio de análisis de datos,
podŕıan presentarse más gráficas en distintos formatos y comparativas de unos parámetros
con otros para que el análisis de las correlaciones que existen entre ellos fuera más sencilla
de visualizar para el usuario. Además, debeŕıan incluirse representaciones en 3 dimensiones
para poder observar también el desplazamiento vertical de las cianobacterias. Asimismo,
seŕıa muy interesante que fuera el propio usuario quién pudiera decidir qué información
quiere ver en el informe y de qué manera desea verla mediante la personalización de
informes.

Por último, la capa Cloud se encuentra todav́ıa en fases tempranas del proceso de imple-
mentación. Actualmente los servicios que pertenecen a esta capa se ejecutan localmente,
pero la idea es que se haga de manera distribuida de forma que la capa Cloud pueda ges-
tionar información de diferentes masas de agua simultáneamente. En cuanto a los servicios
que se ubican en ella, por un lado el de análisis de big data está aún en fases tempranas
de su desarrollo y tiene mucho potencial de cara a comprender el comportamiento y la
tendencia de los datos. Por otro lado, el servicio de entrenamiento basado en el método
del descenso de gradiente, puede mejorarse añadiendo más iteraciones comenzando desde
diferentes puntos iniciales, ya que cuantas más iteraciones se lleven a cabo más probabili-
dad hay de encontrar el óptimo global de la función de error, reduciendo las posibilidades
de que el ajuste de los parámetros de los modelos quede atrapado en un óptimo local.

En cuanto a los informes generados por la capa Cloud, de cara al futuro pueden incluirse
gráficos basados en las estad́ısticas de cada masa de agua (gracias al servicio de big data),
comparaciones de resultados entre una simulación y otra, etc. Además, se podŕıan calcular
también otro tipo de métricas para cada conjunto de datos con el objetivo de evaluar el
rendimiento del simulador.

De cara a la realización de nuevas simulaciones, seŕıa de mucha utilidad modelar uno o
varios embalses españoles de caracteŕısticas diferentes para poder ejecutar las simulaciones
con datos más actuales y sobre zonas más cercanas, y comprobar aśı el funcionamiento
del sistema en otras masas de agua virtuales.

Y como última ĺınea de investigación futura, habŕıa que trabajar en el análisis del funcio-
namiento del sistema en un caso real, con datos reales de los sensores, y comprobar de esta
forma la utilidad real del sistema para predecir y gestionar blooms de cianobacterias en di-
ferentes entornos acuáticos. Actualmente se están probando prototipos de USV y sensores
cuyo funcionamiento se incluirá en DEVS-BLOOM para que este funcione combinando
elementos virtuales y reales como verdaderos gemelos digitales.

64



Anexos

65



Anexo A

Introduction

This chapter explains the motivation that has driven the research carried out in this work,
as well as the objectives to be achieved at the end of it and the structure of the document.

A.1. Motivation

Water scarcity today affects about 4 billion people (i.e. two-thirds of the world’s popula-
tion), a problem that is exacerbated for at least one month a year [1].

When a territory extracts at least 25% of its renewable freshwater resources, it is said
to suffer from water stress [1]. Currently, 2.3 billion people live in countries with this
problem, 733 million of whom live in places with high or critical water stress. In addition,
3.2 billion people reside in agricultural areas with high to very high water scarcity, of
which 1.2 billion are severely water-stressed.

In addition, more than 1.3 billion people do not have access to safe drinking water, in
violation of the right to affordable access to safe drinking water established by the United
Nations Committee on Economic, Social and Cultural Rights [2].

The problem of water scarcity is closely linked to the term water quality. [3], which refers
to the chemical, physical and biological characteristics of water depending on its intended
use. In fact, for water to be safe, it must meet certain quality standards, and to determine
whether these standards are met, certain characteristics such as its temperature, mineral
content and the amount of bacteria it contains are measured and analyzed.

Today, water quality is an issue of great importance for many reasons [4]. Firstly, the
world’s population has increased considerably in recent years, which implies a greater
need for water to ensure the global supply. Secondly, the climate change that the planet
has been undergoing for several decades is causing long periods of drought, with a decrease
in the frequency and quantity of rainfall that significantly affects water reserves. Finally,
overexploitation and overpollution of water resources in both urban and rural areas increa-
se the importance of meeting quality standards, which are becoming increasingly difficult
to guarantee.

On the one hand, in large urban centers we find problems of excessive use and water
pollution due to the large volume of waste generated, including sewage and discharges
from industrial areas that, in large quantities, end up in water resources [5]. On the other

66



ANEXO A. INTRODUCTION

hand, in rural areas we find numerous agricultural and livestock farms that also require a
large amount of water, and also use fertilizers and pesticides that can end up filtered into
it. All this produces changes in the composition of the water due to the introduction of
unwanted substances or microorganisms that can become a health risk.

One of the microorganisms that can end up invading water reserves and putting our
health at risk are cyanobacteria. These bacteria, also called blue-green algae because of
their more common color [6, 7], are microscopic unicellular organisms that are found
naturally in all types of water, whether fresh, marine or brackish (fresh and salt water
combined). They perform photosynthesis, using sunlight to feed on nutrients present in the
water. Therefore, in warm environments rich in phosphorus and nitrogen, cyanobacteria
can multiply rapidly, creating blooms that spread throughout the body of water and
can become visible when they emerge to the surface. This is when their blue-green color
becomes apparent, as can be seen in the figure A.1.

Figura A.1: Cyanobacteria bloom on the surface of a river (source: [8])

These organisms are present in all environments and play an important role as primary
producers in all environments, so they are good and necessary in nature. However, when
they multiply in an exaggerated and uncontrolled manner, they form blooms that are
harmful to the health of humans, animals or the environment by blocking the sunlight
that other organisms need to live, robbing them of oxygen and nutrients, and producing
highly toxic secondary metabolites generically called cyanotoxins [9].

Therefore, swimming or engaging in activities in waters containing cyanobacterial blooms,
drinking water that comes from a lake or reservoir that has a proliferation of them, or
eating fish infected with the toxins they produce is tremendously harmful to both human
and animal health [10]. In humans, these toxins can cause abdominal pain, difficulty
breathing, irreversible liver and kidney damage, nervous system problems and tumor
growth.

67



ANEXO A. INTRODUCTION

For this reason, considerable effort has been invested in detecting these organisms in
reservoirs and lakes. The most common procedure for this is to manually take water
samples for later analysis to determine whether cyanotoxins are contaminating the water
[11]. This entails a great effort on the part of the personnel involved, since the manual
extraction of samples and their subsequent analysis has a high cost in time and money, in
addition to not being entirely effective due to the large amount of surface area that needs
to be covered in order to carry out an exhaustive study. The manual method of collecting
samples for water quality analysis can be seen in figure A.2.

Figura A.2: Manual extraction of samples for water analysis (source: [12])

In addition, financial and personnel resource constraints reduce manual collection to times
of the year when the occurrence of cyanobacterial blooms is most likely, taking place at
few geographic locations and with minimal frequencies. The delay suffered by analytical
results and the limited ability to interpret the current scenario diminishes the capacity for
prediction, prevention and mitigation of HABs by the authorities responsible for drinking
water distribution and its recreational uses [13].

This sampling process is occasionally aided by certain automatic instruments that acquire
water status information at certain strategic points. A good example of this type of
instruments are the periodic sampling buoys [14] that are anchored in different points of
lakes and reservoirs, and that have sensors that, on a regular basis, take measurements
on different parameters related to water quality, although, of course, always at the same
point. One of these buoys can be seen in figure A.3.

68



ANEXO A. INTRODUCTION

Figura A.3: Periodic water sampling buoy (source: [14]).

A.2. Context

To provide a comprehensive solution to the problem of monitoring and management of
cyanobacteria, it is necessary to go a step further, and not only detect the outcrops of
these microorganisms with greater frequency and resolution, but also predict their spa-
tiotemporal evolution. For the latter, there are currently some early warning systems [15]
based on the simulation of numerical models, such as those implemented by commercial
tools like MIKE ([16]) or EEMS ([17]). However, the exclusive use of simulation tools is
often not sufficient, as the complexity of the biological and transport processes of cyano-
bacteria makes it difficult to correctly tune the numerous parameters that exist in these
commercial models. Moreover, it introduces relevant uncertainties in model predictions.

Therefore, an integral solution is proposed, i.e., a solution that not only implements the
numerical models but also incorporates the whole ecosystem of apparatus to perform mea-
surements that complement and feed the predictions made by the numerical models with
real data. This idea is being developed in the Synergic Project in New and Emerging Scien-
tific Areas of the Community of Madrid, called Hacia un sistema Integral para la Alerta y
GEStión de BLOOMs de cianobacterias en aguas continentales, IA-GES-BLOOM-CM, in
which a complex system is being developed that suggests an alternative to improve sam-
pling, creating new models, tuning them and bringing the results closer to the managers,
all following an architecture based on IoT (Internet of Things) that involves elements of
different nature, such as models, sensors, ships and managers.

Due to the complexity involved in a system of such characteristics, it is convenient to
create an infrastructure in which a digital twin of the whole system is realized, with
systematic modeling and simulation tools. In this context, the DEVS (Discrete Event
System Specification) formalism [18, 19] is very useful, since it provides a solid modeling
and simulation framework for discrete events to be able to develop such sophisticated

69



ANEXO A. INTRODUCTION

systems as the proposed one. In this line, another project called Más allá del uso de
tecnoloǵıas digitales en blooms de cianobacterias: gestión inteligente de cianobacterias
mediante el uso de gemelos digitales y computación en el borde (SMART-BLOOMS) is
also being developed at the Complutense University of Madrid.

This TFM is therefore focused on the collaboration in the construction of the overall
architecture of the system, and in the implementation of some services that are part of the
complex infrastructure described. Both the architecture design and its implementation are
based on the DEVS formalism. For this purpose, an IoT-based organization is followed.
All this allows us to efficiently guarantee a system not only for detection but also for
prediction and monitoring of cyanobacteria outbreaks, thus combating the risks that these
microorganisms generate for health and the environment.

A.3. Objectives

A series of objectives have been defined for this work, which are listed below. These
objectives can be categorized as general or specific. The general objectives are oriented
towards the development of large-scale goals, while the specific ones go into more depth
on the different issues being addressed.

[O1] To deepen the knowledge of cyanobacteria, prediction systems and DEVS formalism.

[O1.1] To study cyanobacterial blooms, their origin and their impact on water qua-
lity and the health of living organisms.

[O1.2] Review existing early warning systems for cyanobacterial blooms.

[O1.3] To deepen the knowledge of the DEVS formalism and its operation.

[O2] To participate in the creation of the DEVS architecture of an integral system for
the monitoring and management of HABs.

[O2.1] Devise a modeling and simulation module to predict the occurrence of cya-
nobacteria.

[O2.2] Implement a data analysis service that allows its users to validate and visua-
lize the results obtained with each simulation performed.

[O2.3] Develop a training protocol in the cloud that helps in the definition of pre-
dictive models for the early detection of outcrops.

[O3] Integrate and verify the developed modules into the overall DEVS architecture.

[O3.1] Integrate the developed HABs prediction service into the overall architecture.

[O3.2] Add the implemented data analysis service to the system.

[O3.3] To include in the system framework the devised training service.

[O4] Test the operation of the system through a use case.

[O4.1] Exemplify the operation of the complete system with a simulation of a real
lake.

[O4.2] Test the HABs prediction service and compare the prediction with real data.

70



ANEXO A. INTRODUCTION

[O4.3] Activate the data analysis service and check that the generated reports are
correct.

[O4.4] Use the training service and check that it optimizes the prediction.

A.4. Document structure

This document is divided into six chapters through which the development of the work
carried out is described. This section provides a brief summary of the contents of each of
these chapters.

Chapter 1 introduces the problem of cyanobacterial blooms in reservoirs and lakes, and
explains the context in which the work has arisen and its motivation. It also includes the
list of general and specific objectives to be achieved at the end of the research.

Next, in chapter 2 the study of cyanobacteria, the cause of the outcrops and their envi-
ronmental, economic and health impact are discussed in depth. A brief state of the art
on early warning systems to detect, monitor and manage the presence of harmful toxins
produced by cyanobacterial blooms is also presented. Finally, the most relevant features
of the DEVS formalism, its structure and operation are presented.

Chapter 3 details the architecture of the proposed system to efficiently manage cyano-
bacterial blooms. The infrastructure, developed in DEVS and integrated in an IoT envi-
ronment that relies on the use of digital twins, consists of three layers that are explained
in a way that makes it easy to visualize the overall picture of the proposed framework,
which aims to facilitate prediction, speed up the detection of HABs, and improve the
management of the problems they entail in real time.

Subsequently, in chapter 4, we go into the development of three services that are part of the
architecture presented in chapter 3. These services are the prediction model, which allows
to simulate the behavior of outcrops in real time; the data analysis service, which provides
graphs for the study of the simulation scenario; and the cloud training system, which allows
to retrain the prediction model to optimize the results. These services correspond to the
prediction and data analysis subsystem of the proposed architecture.

The work continues in chapter 5, where everything presented and developed in chapters
3 and 4 is exemplified with a use case consisting of a simulation carried out in Lake
Washington (United States) using synthetic lake data extracted from the EEMS tool. In
the execution, the operation of the complete system can be observed, allowing us to study
it and to pay special attention to the prediction model, the data analysis service and the
training service.

In chapter 6 the objectives detailed at the beginning of the document are reviewed and
possible avenues of research for future work related to the field of modeling, prediction
and management of cyanobacteria and their derived problems for public health and the
environment are proposed.

Finally, the document contains two annexes consisting of the English translation of the
chapters 1 and 6, which are, respectively, the Introduction and the Conclusions.

71



Anexo B

Conclusions

This chapter reviews the objectives stated in the 1.3 section of the first chapter and
provides a general summary of the main conclusions obtained during the completion of
this TFM. At the end of the chapter, some suggestions for future research work that
should follow this TFM are also presented.

B.1. Review of objectives

Throughout this paper, the objectives stated at the beginning of the paper have been
addressed. In this section, we will review how each of the established goals have been
achieved, relating the work developed with the proposed objectives.

Deepening the knowledge of cyanobacteria, prediction systems and the DEVS
formalism

The first of the general objectives [O1] set as a goal to carry out a study on the field of
cyanobacteria, their origin and their impact on the environment, on the current situation
of early warning systems and on the DEVS formalism. Precisely, in chapter 2 the state
of the art is studied, thus covering this general objective. In more detail, in section 2.1
an exhaustive analysis of cyanobacteria, their morphology, feeding, behavior and environ-
mental, economic and sanitary impact was carried out, thus fulfilling the specific objective
[O1.1]. In addition, in the section 2.2 a tour of the existing early warning systems in the
literature was made, thus fulfilling the specific objective [O1.2]. Finally, in the 2.3 sec-
tion, the study of the DEVS formalism and its applications is deepened, thus obeying the
specific objective [O1.3].

To participate in the creation of the DEVS architecture of a system for HABs
monitoring

The general objective [O2] proposed the participation in the creation of an integral system
in DEVS for the monitoring and prediction of cyanobacterial blooms. This objective was
completed in chapters 3 and 4, which explain the work done in this TFM to extend the
functionality of the overall system architecture. The sub-objectives [O2.1], [O2.2] and
[O2.3] that propose the implementation of the data prediction and analysis subsystem
and the creation of a training model are achieved throughout these two chapters, although

72



ANEXO B. CONCLUSIONS

more specifically the work done in each of these services is detailed respectively in the
sections 4.1, 4.2 y 4.3 of chapter 4.

Integrating and verifying the modules developed in the DEVS architecture

As for objective [O3], which consisted of integrating the sub-models developed in the ar-
chitecture, it is again satisfied throughout chapters 3 and 3, in which the specific objectives
[O3.1], [O3.2] and [O3.3] are fulfilled one by one.

Testing the system operation through a use case

Finally, the general objective [O4], which proposed the testing of the system operation
through a use case, is achieved in the chapter 5 of the memory of this TFM. In this
chapter, a complete simulation was carried out, in which the correct operation of all the
services, and more specifically of the prediction, data analysis and training services, has
been confirmed, thus fulfilling the sub-objectives [O4.1], [O4.2], [O4.3] and [O4.4].

B.2. Future work

By analyzing the different chapters of this document, it can be determined that the pro-
posed objectives have been successfully met. However, it is possible to continue improving
the DEVS-BLOOM system, which is why different possible lines of future research in this
area will be presented below.

As IA-GES-BLOOM-CM is such a complex project and encompasses so many elements
within its infrastructure, there are many avenues for future work to improve the system.
In fact, there are some functionalities of the project that are still in the early stages of
the development process.

In the Edge layer, it would be possible to launch simulations with more than one USV,
which would also imply a future line of research in the Fog layer, to be able to plan several
trajectories within the same body of water and optimize the results.

Within the Fog layer, the USV trajectory planner and outlier detection service offer many
avenues for future research. For example, the optimization of the ship’s trajectory taking
into account the points at which it should measure is certainly a problem that can be
approached from different points of view.

As for the prediction service, different lines of research can be envisaged. Firstly, more
sophisticated equations could be devised to model the behavior of the bloom by also
applying fluid dynamics to nutrient transport and/or taking into account additional fac-
tors such as the density and viscosity of the water body in which the simulation is being
carried out. The behavior of cyanobacteria could also be modeled with neural networks
of the LSTM (Long Short-Term Memory) type. Or, using the originally proposed diffe-
rential equations, different numerical integration methods could be tested, studying also
the computational cost associated with each of them. Finally, the vertical movement of
cyanobacteria could also be modeled.

Regarding the reports of the fog layer, generated by the data analysis service, more graphs
in different formats and comparisons of some parameters with others could be presented
so that the analysis of the correlations that exist between them would be easier for the

73



ANEXO B. CONCLUSIONS

user to visualize. In addition, representations in 3 dimensions should be included so that
the vertical displacement of the cyanobacteria can also be observed. Also, it would be
very interesting if the user himself could decide what information he wants to see in the
report and in what way he wants to see it through report customization.

Finally, the Cloud layer is still in the early stages of the implementation process. Currently
the services that belong to this layer are executed locally, but the idea is that this will
be done in a distributed manner so that the Cloud layer can manage information from
different water bodies simultaneously. As for the services that are located in it, on the one
hand, the big data analysis service is still in early stages of development and has a lot of
potential for understanding the behavior and trend of the data. On the other hand, the
training service based on the gradient descent method can be improved by adding more
iterations starting from different starting points, since the more iterations carried out, the
more likely it is to find the global optimum of the error function, reducing the chances
that the fit of the model parameters is trapped in a local optimum.

As for the reports generated by the Cloud layer, going forward, graphs based on the
statistics of each water body (thanks to the big data service), comparisons of results
between one simulation and another, etc. can be included. In addition, other types of
metrics could also be calculated for each dataset in order to evaluate the performance of
the simulator.

With a view to carrying out new simulations, it would be very useful to model one or
more Spanish reservoirs with different characteristics in order to run the simulations with
more current data and on closer areas, and thus check the performance of the system in
other virtual bodies of water.

And as a last line of future research, it would be necessary to work on the analysis of the
operation of the system in a real case, with real data from the sensors, and thus check
the real usefulness of the system for predicting and managing cyanobacteria blooms in
different aquatic environments. USV and sensor prototypes are currently being tested and
their operation will be included in DEVS-BLOOM to make it work by combining virtual
and real elements as real digital twins.

74



Bibliograf́ıa

[1] U. Nations. ((Summary Progress Update 2021: SDG 6 — water and sanitation for
all)). En: UNWater (2021). url: https://web.archive.org/web/20221221065046/
https://www.unwater.org/sites/default/files/app/uploads/2021/12/SDG-

6-Summary-Progress-Update-2021_Version-July-2021a.pdf.
[2] U. Nations. ((Human Right to Water and Sanitation)). En: UN Water Decade Pro-

gramme on Advocacy and Communication (2002). url: https://web.archive.
org/web/20221229183508/https://www.acnur.org/fileadmin/Documentos/

BDL/2012/8789.pdf.
[3] G. E. Cordy. ((A Primer on Water Quality)). En: USGS (mar. de 2001). url: https:

//web.archive.org/web/20221229184248/https://pubs.usgs.gov/fs/fs-

027-01/pdf/FS-027-01.pdf.
[4] D. L. Johnson, S. H. Ambrose, T. J. Bassett et al. ((Meanings of Environmental

Terms)). En: Journal of Environmental Quality (mayo de 1997). doi: 10.2134/
jeq1997.00472425002600030002x. url: https://doi.org/10.2134/jeq1997.
00472425002600030002x.

[5] M. Denchak. ((Water Pollution: Everything You Need to Know)). En: NRDC (abr. de
2022). url: https://web.archive.org/web/20221229185709/https://www.
nrdc.org/stories/water-pollution-everything-you-need-know.

[6] R. P. Sinha y D.-P. Häder. ((UV-protectants in cyanobacteria)). En: Plant Science
174.3 (2008), págs. 278-289. issn: 0168-9452. doi: https://doi.org/10.1016/
j.plantsci.2007.12.004. url: https://www.sciencedirect.com/science/
article/pii/S0168945207003202.

[7] B. U. of California. ((Cyanobacteria: Life History and Ecology)). En: Museum of
Paleontology (2012). url: https://web.archive.org/web/20120919015239/
http://www.ucmp.berkeley.edu/bacteria/cyanolh.html.

[8] A. Shutterstock. ((Cianobacterias en el Ŕıo de La Plata)). En: PERFIL (2022). url:
https://web.archive.org/web/20221229193109/https://www.perfil.com/

noticias/salud/emiten-una-alerta-por-cianobacterias-en-balnearios-

bonaerenses-y-piden-que-la-gente-no-se-meta-al-agua.phtml.
[9] L. Bláha, P. Babica y B. Maršálek. ((Toxins produced in cyanobacterial water

blooms – toxicity and risks)). En: Interdisciplinary Toxicology (2009). doi: 10.2478/
v10102-009-0006-2. url: https://doi.org/10.2478/v10102-009-0006-2.

[10] H. W. Paerl y T. G. Otten. ((Harmful Cyanobacterial Blooms: Causes, Consequen-
ces, and Controls)). En: Microbial Ecology (2013). doi: 10.1007/s00248- 012-
0159-y. url: https://doi.org/10.1007/s00248-012-0159-y.

[11] U. S. E. P. Agency. ((Detection Methods for Cyanotoxins)). En: United States En-
vironmental Protection Agency (2022). url: https://web.archive.org/web/

75

https://web.archive.org/web/20221221065046/https://www.unwater.org/sites/default/files/app/uploads/2021/12/SDG-6-Summary-Progress-Update-2021_Version-July-2021a.pdf
https://web.archive.org/web/20221221065046/https://www.unwater.org/sites/default/files/app/uploads/2021/12/SDG-6-Summary-Progress-Update-2021_Version-July-2021a.pdf
https://web.archive.org/web/20221221065046/https://www.unwater.org/sites/default/files/app/uploads/2021/12/SDG-6-Summary-Progress-Update-2021_Version-July-2021a.pdf
https://web.archive.org/web/20221229183508/https://www.acnur.org/fileadmin/Documentos/BDL/2012/8789.pdf
https://web.archive.org/web/20221229183508/https://www.acnur.org/fileadmin/Documentos/BDL/2012/8789.pdf
https://web.archive.org/web/20221229183508/https://www.acnur.org/fileadmin/Documentos/BDL/2012/8789.pdf
https://web.archive.org/web/20221229184248/https://pubs.usgs.gov/fs/fs-027-01/pdf/FS-027-01.pdf
https://web.archive.org/web/20221229184248/https://pubs.usgs.gov/fs/fs-027-01/pdf/FS-027-01.pdf
https://web.archive.org/web/20221229184248/https://pubs.usgs.gov/fs/fs-027-01/pdf/FS-027-01.pdf
https://doi.org/10.2134/jeq1997.00472425002600030002x
https://doi.org/10.2134/jeq1997.00472425002600030002x
https://doi.org/10.2134/jeq1997.00472425002600030002x
https://doi.org/10.2134/jeq1997.00472425002600030002x
https://web.archive.org/web/20221229185709/https://www.nrdc.org/stories/water-pollution-everything-you-need-know
https://web.archive.org/web/20221229185709/https://www.nrdc.org/stories/water-pollution-everything-you-need-know
https://doi.org/https://doi.org/10.1016/j.plantsci.2007.12.004
https://doi.org/https://doi.org/10.1016/j.plantsci.2007.12.004
https://www.sciencedirect.com/science/article/pii/S0168945207003202
https://www.sciencedirect.com/science/article/pii/S0168945207003202
https://web.archive.org/web/20120919015239/http://www.ucmp.berkeley.edu/bacteria/cyanolh.html
https://web.archive.org/web/20120919015239/http://www.ucmp.berkeley.edu/bacteria/cyanolh.html
https://web.archive.org/web/20221229193109/https://www.perfil.com/noticias/salud/emiten-una-alerta-por-cianobacterias-en-balnearios-bonaerenses-y-piden-que-la-gente-no-se-meta-al-agua.phtml
https://web.archive.org/web/20221229193109/https://www.perfil.com/noticias/salud/emiten-una-alerta-por-cianobacterias-en-balnearios-bonaerenses-y-piden-que-la-gente-no-se-meta-al-agua.phtml
https://web.archive.org/web/20221229193109/https://www.perfil.com/noticias/salud/emiten-una-alerta-por-cianobacterias-en-balnearios-bonaerenses-y-piden-que-la-gente-no-se-meta-al-agua.phtml
https://doi.org/10.2478/v10102-009-0006-2
https://doi.org/10.2478/v10102-009-0006-2
https://doi.org/10.2478/v10102-009-0006-2
https://doi.org/10.1007/s00248-012-0159-y
https://doi.org/10.1007/s00248-012-0159-y
https://doi.org/10.1007/s00248-012-0159-y
https://web.archive.org/web/20221229213542/https://www.epa.gov/ground-water-and-drinking-water/detection-methods-cyanotoxins
https://web.archive.org/web/20221229213542/https://www.epa.gov/ground-water-and-drinking-water/detection-methods-cyanotoxins


BIBLIOGRAFÍA

20221229213542/https://www.epa.gov/ground-water-and-drinking-water/

detection-methods-cyanotoxins.
[12] D. R. LeBlanc. ((USGS Scientists Collecting Water-Quality Samples from Shallow

Groundwater under Ashumet Pond)). En: USGS (jul. de 2014). url: https://
web . archive . org / web / 20221229212954 / https : / / www . usgs . gov / media /

images/usgs- scientists- collecting- water- quality- samples- shallow-

groundwater-under-ashumet.
[13] J. Meriluoto, L. Spoof y G. A. Codd. Handbook of cyanobacterial monitoring and

cyanotoxin analysis. John Wiley & Sons, 2017.
[14] T. R. Miller, W. Tarpey, J. Nuese et al. ((Real-Time Monitoring of Cyanobacterial

Harmful Algal Blooms with the Panther Buoy)). En: ACS EST Water (mayo de
2022). doi: 10.1021/acsestwater.2c00072. url: https://doi.org/10.1021/
acsestwater.2c00072.

[15] H. Almuhtaram, F. A. Kibuye, S. Ajjampur et al. ((State of knowledge on early
warning tools for cyanobacteria detection)). En: Ecological Indicators 133 (2021).
issn: 1470-160X. doi: https://doi.org/10.1016/j.ecolind.2021.108442. url:
https://www.sciencedirect.com/science/article/pii/S1470160X21011079.

[16] DHI.MIKE ECO Lab. (Visited on 11/2022). 2022. url: https://www.mikepoweredbydhi.
com/products/mike-eco-lab.

[17] DSI. EE Modeling System. https://www.eemodelingsystem.com. Ene. de 2022. url:
https://www.eemodelingsystem.com/user-center/downloads.

[18] J. L. Risco-Mart́ın, S. Mittal, J. C. F. Jiménez et al. ((Reconsidering Performance of
DEVS Modeling and Simulation Environments Using the DEVStone Benchmark)).
En: SAGE (2017).

[19] B. Zeigler. Theory of modeling and simulation : discrete event and iterative system
computational foundations. London, United Kingdom: Academic Press, an imprint
of Elsevier, 2019. isbn: 978-0-12-813370-5.

[20] C. Tamulonis, M. Postma y J. Kaandorp. ((Modeling Filamentous Cyanobacteria
Reveals the Advantages of Long and Fast Trichomes for Optimizing Light Expo-
sure)). En: Plos One (jul. de 2011). doi: 10.1371/journal.pone.0022084. url:
https://doi.org/10.1371/journal.pone.0022084.

[21] B. A. Whitton. Ecology of Cyanobacteria II: Their Diversity in Space and Time.
Durham, United Kingdom: Springer, 2012. isbn: 978-94-007-3855-3.

[22] C. Lab. ((Cianobacterias marinas del género Prochlorococcus)). En: Sinc (feb. de
2020). url: https : / / web . archive . org / web / 20221231104110 / https : / /

www . agenciasinc . es / Noticias / No - solo - de - fotosintesis - viven - las -

cianobacterias-marinas.
[23] S. Blog. ((Cyanobacteria contribute to the early atmosphere)). En: Labroots (nov. de

2015). url: https://web.archive.org/web/20221231104448/https://www.
labroots . com / trending / microbiology / 1963 / fresh - air - courtesy - of -

cyanobacteria.
[24] J. W. Schopf y B. M. Packer. ((Early Archean (3.3-Billion to 3.5-Billion-Year-Old)

Microfossils from Warrawoona Group, Australia)). En: Science 237.4810 (jul. de
1987). doi: 10.1126/science.11539686. url: https://doi.org/10.1126/
science.11539686.

[25] A. Aguilera, M. Klemenčič, D. J. Sueldo et al. ((Cell Death in Cyanobacteria: Current
Understanding and Recommendations for a Consensus on Its Nomenclature)). En:

76

https://web.archive.org/web/20221229213542/https://www.epa.gov/ground-water-and-drinking-water/detection-methods-cyanotoxins
https://web.archive.org/web/20221229213542/https://www.epa.gov/ground-water-and-drinking-water/detection-methods-cyanotoxins
https://web.archive.org/web/20221229213542/https://www.epa.gov/ground-water-and-drinking-water/detection-methods-cyanotoxins
https://web.archive.org/web/20221229212954/https://www.usgs.gov/media/images/usgs-scientists-collecting-water-quality-samples-shallow-groundwater-under-ashumet
https://web.archive.org/web/20221229212954/https://www.usgs.gov/media/images/usgs-scientists-collecting-water-quality-samples-shallow-groundwater-under-ashumet
https://web.archive.org/web/20221229212954/https://www.usgs.gov/media/images/usgs-scientists-collecting-water-quality-samples-shallow-groundwater-under-ashumet
https://web.archive.org/web/20221229212954/https://www.usgs.gov/media/images/usgs-scientists-collecting-water-quality-samples-shallow-groundwater-under-ashumet
https://doi.org/10.1021/acsestwater.2c00072
https://doi.org/10.1021/acsestwater.2c00072
https://doi.org/10.1021/acsestwater.2c00072
https://doi.org/https://doi.org/10.1016/j.ecolind.2021.108442
https://www.sciencedirect.com/science/article/pii/S1470160X21011079
https://www.mikepoweredbydhi.com/products/mike-eco-lab
https://www.mikepoweredbydhi.com/products/mike-eco-lab
https://www.eemodelingsystem.com/user-center/downloads
https://doi.org/10.1371/journal.pone.0022084
https://doi.org/10.1371/journal.pone.0022084
https://web.archive.org/web/20221231104110/https://www.agenciasinc.es/Noticias/No-solo-de-fotosintesis-viven-las-cianobacterias-marinas
https://web.archive.org/web/20221231104110/https://www.agenciasinc.es/Noticias/No-solo-de-fotosintesis-viven-las-cianobacterias-marinas
https://web.archive.org/web/20221231104110/https://www.agenciasinc.es/Noticias/No-solo-de-fotosintesis-viven-las-cianobacterias-marinas
https://web.archive.org/web/20221231104448/https://www.labroots.com/trending/microbiology/1963/fresh-air-courtesy-of-cyanobacteria
https://web.archive.org/web/20221231104448/https://www.labroots.com/trending/microbiology/1963/fresh-air-courtesy-of-cyanobacteria
https://web.archive.org/web/20221231104448/https://www.labroots.com/trending/microbiology/1963/fresh-air-courtesy-of-cyanobacteria
https://doi.org/10.1126/science.11539686
https://doi.org/10.1126/science.11539686
https://doi.org/10.1126/science.11539686


BIBLIOGRAFÍA

Frontiers in Microbiology (mar. de 2021). doi: 10.3389/fmicb.2021.631654. url:
https://doi.org/10.3389/fmicb.2021.631654.

[26] J. Huisman, G. A. Codd, H. W. Paerl et al. ((Cyanobacterial blooms)). En: Nature
Reviews Microbiology (jun. de 2018). doi: 10.1038/s41579-018-0040-1. url:
https://doi.org10.1038/s41579-018-0040-1.

[27] D. Claessen, D. E. Rozen, O. P. Kuipers et al. ((Bacterial solutions to multicellula-
rity: a tale of biofilms, filaments and fruiting bodies)). En: Nature Reviews Micro-
biology (ene. de 2014). doi: 10.1038/nrmicro3178. url: https://doi.org/10.
1038/nrmicro3178.

[28] D. J. Nürnberg, V. Mariscal, J. Parker et al. ((Branching and intercellular com-
munication in the Section V cyanobacterium Mastigocladus laminosus, a complex
multicellular prokaryote)). En: Wiley (ene. de 2014). doi: 10.1111/mmi.12506. url:
https://doi.org/10.1111/mmi.12506.

[29] P. Fay. ((Oxygen relations of nitrogen fixation in cyanobacteria)). En: ASM (jun. de
1992). doi: 10.1128/mr.56.2.340-373.1992. url: https://doi.org/10.1128/
mr.56.2.340-373.1992.

[30] C. A. Kerfeld, S. Heinhorst y G. C. Cannon. ((Bacterial Microcompartments)). En:
Annual Reviews (oct. de 2010). doi: 10.1146/annurev.micro.112408.134211.
url: https://doi.org/10.1146/annurev.micro.112408.134211.

[31] A. Nagarajan y H. B. Pakrasi. ((Membrane-Bound Protein Complexes for Pho-
tosynthesis and Respiration in Cyanobacteria)). En: Wiley (jun. de 2016). doi:
10.1002/9780470015902.a0001670.pub2. url: https://doi.org/10.1002/
9780470015902.a0001670.pub2.

[32] C. W. Mullineaux y A. Wilde. ((Bacterial Blooms: The social life of cyanobacteriav)).
En: eLife (jun. de 2021). doi: 10.7554/eLife.70327. url: https://doi.org/10.
7554/eLife.70327.

[33] V. A. Donkor, D. H. Amewowor y D.-P. Häder. ((Effects of tropical solar radiation
on the motility of filamentous cyanobacteria)). En: FEMS Microbiology Ecology 12
(jun. de 1993). doi: 10.1111/j.1574- 6941.1993.tb00026.x. url: https:
//doi.org/10.1111/j.1574-6941.1993.tb00026.x.

[34] A. Fourçans, A. Solé, E. Diestra et al. ((Vertical migration of phototrophic bacte-
rial populations in a hypersaline microbial mat from Salins-de-Giraud (Camargue,
France))). En: FEMS Microbiology Ecology 57.3 (sep. de 2006), págs. 367-377. issn:
0168-6496. doi: https://doi.org/10.1111/j.1574-6941.2006.00124.x. eprint:
https://academic.oup.com/femsec/article-pdf/57/3/367/19528592/57-3-

367.pdf.
[35] L. L. Richardson y R. W. Castenholz. ((Diel Vertical Movements of the Cyanobac-

terium ¡i¿Oscillatoria terebriformis¡/i¿in a Sulfide-Rich Hot Spring Microbial Mat)).
En: Applied and Environmental Microbiology 53.9 (1987), págs. 2142-2150. doi:
https://journals.asm.org/doi/abs/10.1128/aem.53.9.2142-2150.1987.
eprint: https://journals.asm.org/doi/pdf/10.1128/aem.53.9.2142-
2150.1987.

[36] N. Salmaso, C. Bernard, J.-F. Humbert et al. ((Basic Guide to Detection and Moni-
toring of Potentially Toxic Cyanobacteria)). En: Handbook of Cyanobacterial Moni-
toring and Cyanotoxin Analysis. John Wiley Sons, Ltd, 2016. Cap. 6, págs. 46-69.
isbn: 9781119068761. doi: https://doi.org/10.1002/9781119068761.ch6.
eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119068761.

77

https://doi.org/10.3389/fmicb.2021.631654
https://doi.org/10.3389/fmicb.2021.631654
https://doi.org/10.1038/s41579-018-0040-1
https://doi.org10.1038/s41579-018-0040-1
https://doi.org/10.1038/nrmicro3178
https://doi.org/10.1038/nrmicro3178
https://doi.org/10.1038/nrmicro3178
https://doi.org/10.1111/mmi.12506
https://doi.org/10.1111/mmi.12506
https://doi.org/10.1128/mr.56.2.340-373.1992
https://doi.org/10.1128/mr.56.2.340-373.1992
https://doi.org/10.1128/mr.56.2.340-373.1992
https://doi.org/10.1146/annurev.micro.112408.134211
https://doi.org/10.1146/annurev.micro.112408.134211
https://doi.org/10.1002/9780470015902.a0001670.pub2
https://doi.org/10.1002/9780470015902.a0001670.pub2
https://doi.org/10.1002/9780470015902.a0001670.pub2
https://doi.org/10.7554/eLife.70327
https://doi.org/10.7554/eLife.70327
https://doi.org/10.7554/eLife.70327
https://doi.org/10.1111/j.1574-6941.1993.tb00026.x
https://doi.org/10.1111/j.1574-6941.1993.tb00026.x
https://doi.org/10.1111/j.1574-6941.1993.tb00026.x
https://doi.org/https://doi.org/10.1111/j.1574-6941.2006.00124.x
https://academic.oup.com/femsec/article-pdf/57/3/367/19528592/57-3-367.pdf
https://academic.oup.com/femsec/article-pdf/57/3/367/19528592/57-3-367.pdf
https://doi.org/https://journals.asm.org/doi/abs/10.1128/aem.53.9.2142-2150.1987
https://journals.asm.org/doi/pdf/10.1128/aem.53.9.2142-2150.1987
https://journals.asm.org/doi/pdf/10.1128/aem.53.9.2142-2150.1987
https://doi.org/https://doi.org/10.1002/9781119068761.ch6
https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119068761.ch6
https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119068761.ch6


BIBLIOGRAFÍA

ch6. url: https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119068761.
ch6.

[37] A. De Los Ŕıos, M. Grube, L. G. Sancho et al. ((Ultrastructural and genetic charac-
teristics of endolithic cyanobacterial biofilms colonizing Antarctic granite rocks)).
En: FEMS Microbiology Ecology 59.2 (feb. de 2007), págs. 386-395. issn: 0168-
6496. doi: 10.1111/j.1574-6941.2006.00256.x. eprint: https://academic.
oup.com/femsec/article- pdf/59/2/386/18103173/59- 2- 386.pdf. url:
https://doi.org/10.1111/j.1574-6941.2006.00256.x.

[38] K. D. Jöhnk, J. Huisman, J. Sharples et al. ((Summer heatwaves promote blooms of
harmful cyanobacteria)). En: Wiley 12 (nov. de 2007). doi: 10.1111/j.1365-2486.
2007.01510.x. url: https://doi.org/10.1111/j.1365-2486.2007.01510.x.

[39] H. W. Paerl y V. J. Paul. ((Climate change: Links to global expansion of harmful
cyanobacteria)). En: Water Research 46.5 (2012). Cyanobacteria: Impacts of climate
change on occurrence, toxicity and water quality management, págs. 1349-1363.
issn: 0043-1354. doi: https://doi.org/10.1016/j.watres.2011.08.002. url:
https://www.sciencedirect.com/science/article/pii/S0043135411004386.

[40] K. Shi, Y. Zhang, Y. Zhou et al. ((Long-term MODIS observations of cyanobacte-
rial dynamics in Lake Taihu: Responses to nutrient enrichment and meteorological
factors)). En: Scientific Reports 7 (ene. de 2017). doi: 10.1038/srep40326. url:
https://doi.org/10.1038/srep40326.

[41] A. M. Michalak, E. J. Anderson, D. Beletsky et al. ((Record-setting algal bloom in
Lake Erie caused by agricultural and meteorological trends consistent with expected
future conditions)). En: Proceedings of the National Academy of Sciences 110.16
(2013), págs. 6448-6452. doi: 10.1073/pnas.1216006110. eprint: https://www.
pnas.org/doi/pdf/10.1073/pnas.1216006110. url: https://www.pnas.org/
doi/abs/10.1073/pnas.1216006110.

[42] J. S. Metcalf, S. A. Banack, J. T. Powell et al. ((Public health responses to toxic
cyanobacterial blooms: perspectives from the 2016 Florida event)). En: Water Po-
licy 20.5 (jul. de 2018), págs. 919-932. issn: 1366-7017. doi: 10.2166/wp.2018.
012. eprint: https://iwaponline.com/wp/article-pdf/20/5/919/492626/
020050919.pdf. url: https://doi.org/10.2166/wp.2018.012.

[43] L. Sitoki, R. Kurmayer y E. Rott. ((Spatial variation of phytoplankton composi-
tion, biovolume, and resulting microcystin concentrations in the Nyanza Gulf (Lake
Victoria, Kenya))). En: Hydrobiologia (mar. de 2012). doi: 10.1007/s10750-012-
1062-8. url: https://doi.org/10.1007/s10750-012-1062-8.

[44] T. S. Bianchi, E. Engelhaupt, P. Westman et al. ((Cyanobacterial blooms in the
Baltic Sea: Natural or human-induced?)) En: Limnology and Oceanography 45.3
(2000), págs. 716-726. doi: https://doi.org/10.4319/lo.2000.45.3.0716.
eprint: https://aslopubs.onlinelibrary.wiley.com/doi/pdf/10.4319/lo.
2000.45.3.0716. url: https://aslopubs.onlinelibrary.wiley.com/doi/abs/
10.4319/lo.2000.45.3.0716.

[45] H. Ploug, B. Adam, N. Musat et al. ((Carbon, nitrogen and O2 fluxes associated
with the cyanobacterium Nodularia spumigena in the Baltic Sea)). En: The ISME
Journal 5 (mar. de 2011). doi: 10.1038/ismej.2011.20. url: https://doi.org/
10.1038/ismej.2011.20.

[46] M. Kahru1 y R. Elmgren. ((Multidecadal time series of satellite-detected accumula-
tions of cyanobacteria in the Baltic Sea)). En: Biogeosciences 11 (jul. de 2014). doi:
10.5194/bg-11-3619-2014. url: https://doi.org/10.5194/bg-11-3619-2014.

78

https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119068761.ch6
https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781119068761.ch6
https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119068761.ch6
https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119068761.ch6
https://doi.org/10.1111/j.1574-6941.2006.00256.x
https://academic.oup.com/femsec/article-pdf/59/2/386/18103173/59-2-386.pdf
https://academic.oup.com/femsec/article-pdf/59/2/386/18103173/59-2-386.pdf
https://doi.org/10.1111/j.1574-6941.2006.00256.x
https://doi.org/10.1111/j.1365-2486.2007.01510.x
https://doi.org/10.1111/j.1365-2486.2007.01510.x
https://doi.org/10.1111/j.1365-2486.2007.01510.x
https://doi.org/https://doi.org/10.1016/j.watres.2011.08.002
https://www.sciencedirect.com/science/article/pii/S0043135411004386
https://doi.org/10.1038/srep40326
https://doi.org/10.1038/srep40326
https://doi.org/10.1073/pnas.1216006110
https://www.pnas.org/doi/pdf/10.1073/pnas.1216006110
https://www.pnas.org/doi/pdf/10.1073/pnas.1216006110
https://www.pnas.org/doi/abs/10.1073/pnas.1216006110
https://www.pnas.org/doi/abs/10.1073/pnas.1216006110
https://doi.org/10.2166/wp.2018.012
https://doi.org/10.2166/wp.2018.012
https://iwaponline.com/wp/article-pdf/20/5/919/492626/020050919.pdf
https://iwaponline.com/wp/article-pdf/20/5/919/492626/020050919.pdf
https://doi.org/10.2166/wp.2018.012
https://doi.org/10.1007/s10750-012-1062-8
https://doi.org/10.1007/s10750-012-1062-8
https://doi.org/10.1007/s10750-012-1062-8
https://doi.org/https://doi.org/10.4319/lo.2000.45.3.0716
https://aslopubs.onlinelibrary.wiley.com/doi/pdf/10.4319/lo.2000.45.3.0716
https://aslopubs.onlinelibrary.wiley.com/doi/pdf/10.4319/lo.2000.45.3.0716
https://aslopubs.onlinelibrary.wiley.com/doi/abs/10.4319/lo.2000.45.3.0716
https://aslopubs.onlinelibrary.wiley.com/doi/abs/10.4319/lo.2000.45.3.0716
https://doi.org/10.1038/ismej.2011.20
https://doi.org/10.1038/ismej.2011.20
https://doi.org/10.1038/ismej.2011.20
https://doi.org/10.5194/bg-11-3619-2014
https://doi.org/10.5194/bg-11-3619-2014


BIBLIOGRAFÍA

[47] P. A. Cox, R. Richer, J. S. Metcalf et al. ((Cyanobacteria and BMAA exposure from
desert dust: A possible link to sporadic ALS among Gulf War veterans)). En: Amyo-
trophic Lateral Sclerosis 10.sup2 (2009). PMID: 19929742, págs. 109-117. doi: 10.
3109/17482960903286066. url: https://doi.org/10.3109/17482960903286066.

[48] T. A. Caller, J. W. Doolin, J. F. Haney et al. ((A cluster of amyotrophic lateral scle-
rosis in New Hampshire: A possible role for toxic cyanobacteria blooms)). En: Amyo-
trophic Lateral Sclerosis 10.sup2 (2009). PMID: 19929741, págs. 101-108. doi: 10.
3109/17482960903278485. url: https://doi.org/10.3109/17482960903278485.

[49] D. Main. ((Toxic Algal Blooms)). En: Farmnote (2004). url: https://web.archive.
org / web / 20141201235311 / http : / / archive . agric . wa . gov . au / objtwr /

imported_assets/content/lwe/water/watq/fn052_2004.pdf.
[50] L. Sonic. Floraciones de Cianobacterias: causas, riesgos y tratamiento. url: https:

//web.archive.org/web/20230103222347/https://www.lgsonic.com/es/

cianobacterias/.
[51] J. Gregor, B. Maršálek y H. Š́ıpková. ((Detection and estimation of potentially to-

xic cyanobacteria in raw water at the drinking water treatment plant by in vivo
fluorescence method)). En: Water Research 41.1 (2007), págs. 228-234. issn: 0043-
1354. doi: https://doi.org/10.1016/j.watres.2006.08.011. url: https:
//www.sciencedirect.com/science/article/pii/S0043135406004751.

[52] A. J. Ouellette y S. W. Wilhelm. ((Toxic cyanobacteria: the evolving molecular
toolbox)). En: Frontiers in Ecology and the Environment 1.7 (2003), págs. 359-366.
doi: https://doi.org/10.1890/1540-9295(2003)001[0359:TCTEMT]2.0.CO;2.
url: https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/
1540-9295%5C%282003%5C%29001%5C%5B0359%5C%3ATCTEMT%5C%5D2.0.CO%5C%

3B2.
[53] Y. Wu, J. Zhang, Z. Hou et al. ((Seasonal Dynamics of Algal Net Primary Produc-

tion in Response to Phosphorus Input in a Mesotrophic Subtropical Plateau Lake,
Southwestern China)). En: Water 14.5 (2022).

[54] F. Recknagel, M. French, P. Harkonen et al. ((Artificial neural network approach for
modelling and prediction of algal blooms)). En: Ecological Modelling 96.1 (1997),
págs. 11-28. issn: 0304-3800. doi: https://doi.org/10.1016/S0304-3800(96)
00049 - X. url: https : / / www . sciencedirect . com / science / article / pii /
S030438009600049X.

[55] B. Wei, N. Sugiura y T. Maekawa. ((Use of artificial neural network in the prediction
of algal blooms)). En: Water Research 35.8 (2001), págs. 2022-2028. issn: 0043-
1354. doi: https://doi.org/10.1016/S0043-1354(00)00464-4. url: https:
//www.sciencedirect.com/science/article/pii/S0043135400004644.

[56] H.-S. Yi, S. Park, K.-G. An et al. ((Algal Bloom Prediction Using Extreme Learning
Machine Models at Artificial Weirs in the Nakdong River, Korea)). En: International
Journal of Environmental Research and Public Health 15.10 (2018). issn: 1660-
4601. doi: 10 . 3390 / ijerph15102078. url: https : / / www . mdpi . com / 1660 -
4601/15/10/2078.

[57] M. Jang, D. Seo, J. Kim et al. ((Spatiotemporal Algal Bloom Prediction of Geum
River, Korea Using the Deep Learning Models in Company with the EFDC Model)).
En: Proceedings of the 2020 Summer Simulation Conference (SummerSim). 2020.
isbn: 9781713814290.

[58] S. J. Moe, R.-M. Couture, S. Haande et al. ((Predicting Lake Quality for the Next
Generation: Impacts of Catchment Management and Climatic Factors in a Proba-

79

https://doi.org/10.3109/17482960903286066
https://doi.org/10.3109/17482960903286066
https://doi.org/10.3109/17482960903286066
https://doi.org/10.3109/17482960903278485
https://doi.org/10.3109/17482960903278485
https://doi.org/10.3109/17482960903278485
https://web.archive.org/web/20141201235311/http://archive.agric.wa.gov.au/objtwr/imported_assets/content/lwe/water/watq/fn052_2004.pdf
https://web.archive.org/web/20141201235311/http://archive.agric.wa.gov.au/objtwr/imported_assets/content/lwe/water/watq/fn052_2004.pdf
https://web.archive.org/web/20141201235311/http://archive.agric.wa.gov.au/objtwr/imported_assets/content/lwe/water/watq/fn052_2004.pdf
https://web.archive.org/web/20230103222347/https://www.lgsonic.com/es/cianobacterias/
https://web.archive.org/web/20230103222347/https://www.lgsonic.com/es/cianobacterias/
https://web.archive.org/web/20230103222347/https://www.lgsonic.com/es/cianobacterias/
https://doi.org/https://doi.org/10.1016/j.watres.2006.08.011
https://www.sciencedirect.com/science/article/pii/S0043135406004751
https://www.sciencedirect.com/science/article/pii/S0043135406004751
https://doi.org/https://doi.org/10.1890/1540-9295(2003)001[0359:TCTEMT]2.0.CO;2
https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/1540-9295%5C%282003%5C%29001%5C%5B0359%5C%3ATCTEMT%5C%5D2.0.CO%5C%3B2
https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/1540-9295%5C%282003%5C%29001%5C%5B0359%5C%3ATCTEMT%5C%5D2.0.CO%5C%3B2
https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/1540-9295%5C%282003%5C%29001%5C%5B0359%5C%3ATCTEMT%5C%5D2.0.CO%5C%3B2
https://doi.org/https://doi.org/10.1016/S0304-3800(96)00049-X
https://doi.org/https://doi.org/10.1016/S0304-3800(96)00049-X
https://www.sciencedirect.com/science/article/pii/S030438009600049X
https://www.sciencedirect.com/science/article/pii/S030438009600049X
https://doi.org/https://doi.org/10.1016/S0043-1354(00)00464-4
https://www.sciencedirect.com/science/article/pii/S0043135400004644
https://www.sciencedirect.com/science/article/pii/S0043135400004644
https://doi.org/10.3390/ijerph15102078
https://www.mdpi.com/1660-4601/15/10/2078
https://www.mdpi.com/1660-4601/15/10/2078


BIBLIOGRAFÍA

bilistic Model Framework)). En: Water 11.9 (2019). issn: 2073-4441. doi: 10.3390/
w11091767. url: https://www.mdpi.com/2073-4441/11/9/1767.

[59] A. Rigosi, P. Hanson, D. P. Hamilton et al. ((Determining the probability of cyano-
bacterial blooms: the application of Bayesian networks in multiple lake systems)).
En: Ecological Applications 25.1 (2015), págs. 186-199. doi: https://doi.org/
10.1890/13-1677.1. eprint: https://esajournals.onlinelibrary.wiley.com/
doi/pdf/10.1890/13-1677.1. url: https://esajournals.onlinelibrary.
wiley.com/doi/abs/10.1890/13-1677.1.

[60] C. Sivapragasam, N. Muttil, S. Muthukumar et al. ((Prediction of algal blooms using
genetic programming)). En:Marine Pollution Bulletin 60.10 (2010), págs. 1849-1855.
issn: 0025-326X. doi: 10.1016/j.marpolbul.2010.05.020. url: https://www.
sciencedirect.com/science/article/pii/S0025326X10002213.

[61] H. Wilson y F. Recknagel. ((Towards a generic artificial neural network model for dy-
namic predictions of algal abundance in freshwater lakes)). En: Ecological Modelling
146.1 (2001), págs. 69-84. issn: 0304-3800. doi: https://doi.org/10.1016/S0304-
3800(01)00297-6. url: https://www.sciencedirect.com/science/article/
pii/S0304380001002976.

[62] H.-M. Oh, C.-Y. Ahn, J.-W. Lee et al. ((Community patterning and identification of
predominant factors in algal bloom in Daechung Reservoir (Korea) using artificial
neural networks)). En: Ecological Modelling 203.1 (2007). Special Issue on Ecological
Informatics: Biologically-Inspired Machine Learning, págs. 109-118. issn: 0304-3800.
doi: https://doi.org/10.1016/j.ecolmodel.2006.04.030. url: https:
//www.sciencedirect.com/science/article/pii/S030438000600562X.

[63] B. Vinçon-Leite y C. Casenave. ((Modelling eutrophication in lake ecosystems: a
review)). En: Science of the Total Environment 651 (2019), págs. 2985-3001.

[64] E. Van Sebille, S. M. Griffies, R. Abernathey et al. ((Lagrangian ocean analysis:
Fundamentals and practices)). En: Ocean Modelling 121 (2018), págs. 49-75.

[65] D.-K. Kim, H. Cao, K.-S. Jeong et al. ((Predictive function and rules for population
dynamics of Microcystis aeruginosa in the regulated Nakdong River (South Ko-
rea), discovered by evolutionary algorithms)). En: Ecological Modelling 203.1 (2007).
Special Issue on Ecological Informatics: Biologically-Inspired Machine Learning,
págs. 147-156. issn: 0304-3800. doi: https://doi.org/10.1016/j.ecolmodel.
2006.03.040. url: https://www.sciencedirect.com/science/article/pii/
S0304380006005667.

[66] C. Zhao, N. Shao, S. Yang et al. ((Predicting cyanobacteria bloom occurrence in
lakes and reservoirs before blooms occur)). En: Science of The Total Environment
670 (2019), págs. 837-848. issn: 0048-9697. doi: https://doi.org/10.1016/j.
scitotenv.2019.03.161. url: https://www.sciencedirect.com/science/
article/pii/S004896971931143X.

[67] L. H̊akanson, A. C. Bryhn y J. K. Hytteborn. ((On the issue of limiting nutrient
and predictions of cyanobacteria in aquatic systems)). En: Science of The Total
Environment 379.1 (2007), págs. 89-108. issn: 0048-9697. doi: https://doi.org/
10.1016/j.scitotenv.2007.03.009. url: https://www.sciencedirect.com/
science/article/pii/S0048969707003087.

[68] B. Z. Rousso, E. Bertone, R. Stewart et al. ((A systematic literature review of fo-
recasting and predictive models for cyanobacteria blooms in freshwater lakes)). En:
Water Research 182 (2020), pág. 115959.

80

https://doi.org/10.3390/w11091767
https://doi.org/10.3390/w11091767
https://www.mdpi.com/2073-4441/11/9/1767
https://doi.org/https://doi.org/10.1890/13-1677.1
https://doi.org/https://doi.org/10.1890/13-1677.1
https://esajournals.onlinelibrary.wiley.com/doi/pdf/10.1890/13-1677.1
https://esajournals.onlinelibrary.wiley.com/doi/pdf/10.1890/13-1677.1
https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/13-1677.1
https://esajournals.onlinelibrary.wiley.com/doi/abs/10.1890/13-1677.1
https://doi.org/10.1016/j.marpolbul.2010.05.020
https://www.sciencedirect.com/science/article/pii/S0025326X10002213
https://www.sciencedirect.com/science/article/pii/S0025326X10002213
https://doi.org/https://doi.org/10.1016/S0304-3800(01)00297-6
https://doi.org/https://doi.org/10.1016/S0304-3800(01)00297-6
https://www.sciencedirect.com/science/article/pii/S0304380001002976
https://www.sciencedirect.com/science/article/pii/S0304380001002976
https://doi.org/https://doi.org/10.1016/j.ecolmodel.2006.04.030
https://www.sciencedirect.com/science/article/pii/S030438000600562X
https://www.sciencedirect.com/science/article/pii/S030438000600562X
https://doi.org/https://doi.org/10.1016/j.ecolmodel.2006.03.040
https://doi.org/https://doi.org/10.1016/j.ecolmodel.2006.03.040
https://www.sciencedirect.com/science/article/pii/S0304380006005667
https://www.sciencedirect.com/science/article/pii/S0304380006005667
https://doi.org/https://doi.org/10.1016/j.scitotenv.2019.03.161
https://doi.org/https://doi.org/10.1016/j.scitotenv.2019.03.161
https://www.sciencedirect.com/science/article/pii/S004896971931143X
https://www.sciencedirect.com/science/article/pii/S004896971931143X
https://doi.org/https://doi.org/10.1016/j.scitotenv.2007.03.009
https://doi.org/https://doi.org/10.1016/j.scitotenv.2007.03.009
https://www.sciencedirect.com/science/article/pii/S0048969707003087
https://www.sciencedirect.com/science/article/pii/S0048969707003087


BIBLIOGRAFÍA

[69] K. Izydorczyk, M. Tarczynska, T. Jurczak et al. ((Measurement of phycocyanin
fluorescenceas an online early warning system for cyanobacteria in reservoir intake
water)). En: Environmental Toxicology 20.4 (2005), págs. 425-430. doi: https://
doi.org/10.1002/tox.20128. eprint: https://onlinelibrary.wiley.com/doi/
pdf/10.1002/tox.20128. url: https://onlinelibrary.wiley.com/doi/abs/
10.1002/tox.20128.

[70] S.-H. Kim, Y. He, E.-H. Lee et al. ((Portable Fluorometer for Cyanobacteria De-
tection)). En: IEEE Sensors Journal 17.8 (2017), págs. 2377-2384. doi: 10.1109/
JSEN.2017.2672993.

[71] M. Beutler, K. Wiltshire, M. Arp et al. ((A reduced model of the fluorescence from
the cyanobacterial photosynthetic apparatus designed for the in situ detection of
cyanobacteria)). En: Biochimica et Biophysica Acta (BBA) - Bioenergetics 1604.1
(2003), págs. 33-46. issn: 0005-2728. doi: https://doi.org/10.1016/S0005-
2728(03)00022-7. url: https://www.sciencedirect.com/science/article/
pii/S0005272803000227.

[72] Deltares. Delft3D 4. (Visited on 11/2022). 2022. url: https://oss.deltares.nl/
web/delft3d.

[73] A. Serramiá. ((SAIH/SAICA: automatic hydrological information system and auto-
matic water quality information system in the Spanish watersheds)). es. En: Tecno
Ambiente (España) 139 (2004), págs. 15-18.

[74] Shoutheast Environmental Research Center. SERC Water Quality Monitoring Net-
work. (Visited on 11/2022). 2022. url: http://serc.fiu.edu/wqmnetwork/.

[75] M. L. Riskin y C. J. Lee. U.S. Geological Survey National Water Quality Monitoring
Network. English. Inf. téc. Reston, VA: USGS National Water Quality Monitoring
Network, 2021, pág. 2. doi: 10.3133/fs20213019.

[76] A. W. Wymore. A mathematical theory of systems engineering: The elements. New
York, United States: John Wiley y Sons, 1967.

[77] B. P. Zeigler, A. Muzy y E. Kofman. Theory of modeling and simulation: discrete
event & iterative system computational foundations. Academic press, 2018.

[78] J. L. Risco-Mart́ın, K. Henares, S. Mittal et al. ((A Unified Cloud-Enabled Discrete
Event Parallel and Distributed Simulation Architecture)). En: Simulation Modelling
Practice and Theory 118 (2022).

[79] G. Carazo-Barbero, E. Besada-Portas, J. M. Giron-Sierra et al. ((EA-based ASV
Trajectory Planner for Pollution Detection in Lentic Waters)). En: International
Conference on the Applications of Evolutionary Computation (Part of EvoStar).
2021.

[80] ISCAR. DEVS BLOOM Simulation. 2023. url: https://github.com/iscar-
ucm/devs-bloom-public.

[81] B. Herguedas. DEVS BLOOM Simulation. 2023. url: https://archive.org/
details/devs-bloom-simulation.

[82] S. Ruder. ((An overview of gradient descent optimization algorithms)). En: (2017).
doi: 10.48550/arXiv.1609.04747. url: https://doi.org/10.48550/arXiv.
1609.04747.

[83] C. Bento. Stochastic Gradient Descent explained in real life. 2021. url: https:
//web.archive.org/web/20230115070158/https://towardsdatascience.com/

stochastic-gradient-descent-explained-in-real-life-predicting-your-

pizzas-cooking-time-b7639d5e6a32?gi=d7ad10210a94.

81

https://doi.org/https://doi.org/10.1002/tox.20128
https://doi.org/https://doi.org/10.1002/tox.20128
https://onlinelibrary.wiley.com/doi/pdf/10.1002/tox.20128
https://onlinelibrary.wiley.com/doi/pdf/10.1002/tox.20128
https://onlinelibrary.wiley.com/doi/abs/10.1002/tox.20128
https://onlinelibrary.wiley.com/doi/abs/10.1002/tox.20128
https://doi.org/10.1109/JSEN.2017.2672993
https://doi.org/10.1109/JSEN.2017.2672993
https://doi.org/https://doi.org/10.1016/S0005-2728(03)00022-7
https://doi.org/https://doi.org/10.1016/S0005-2728(03)00022-7
https://www.sciencedirect.com/science/article/pii/S0005272803000227
https://www.sciencedirect.com/science/article/pii/S0005272803000227
https://oss.deltares.nl/web/delft3d
https://oss.deltares.nl/web/delft3d
http://serc.fiu.edu/wqmnetwork/
https://doi.org/10.3133/fs20213019
https://github.com/iscar-ucm/devs-bloom-public
https://github.com/iscar-ucm/devs-bloom-public
https://archive.org/details/devs-bloom-simulation
https://archive.org/details/devs-bloom-simulation
https://doi.org/10.48550/arXiv.1609.04747
https://doi.org/10.48550/arXiv.1609.04747
https://doi.org/10.48550/arXiv.1609.04747
https://web.archive.org/web/20230115070158/https://towardsdatascience.com/stochastic-gradient-descent-explained-in-real-life-predicting-your-pizzas-cooking-time-b7639d5e6a32?gi=d7ad10210a94
https://web.archive.org/web/20230115070158/https://towardsdatascience.com/stochastic-gradient-descent-explained-in-real-life-predicting-your-pizzas-cooking-time-b7639d5e6a32?gi=d7ad10210a94
https://web.archive.org/web/20230115070158/https://towardsdatascience.com/stochastic-gradient-descent-explained-in-real-life-predicting-your-pizzas-cooking-time-b7639d5e6a32?gi=d7ad10210a94
https://web.archive.org/web/20230115070158/https://towardsdatascience.com/stochastic-gradient-descent-explained-in-real-life-predicting-your-pizzas-cooking-time-b7639d5e6a32?gi=d7ad10210a94


BIBLIOGRAFÍA

[84] M. Carey y J. Ramsay. ((Fast stable parameter estimation for linear dynamical
systems)). En: Computational Statistics & Data Analysis 156 (2021), pág. 107124.
issn: 0167-9473. doi: https://doi.org/10.1016/j.csda.2020.107124. url:
https://www.sciencedirect.com/science/article/pii/S0167947320302152.

82

https://doi.org/https://doi.org/10.1016/j.csda.2020.107124
https://www.sciencedirect.com/science/article/pii/S0167947320302152

	Introducción
	Motivación
	Contexto
	Objetivos
	Estructura del documento

	Estado del arte
	Cianobacterias
	Morfología y alimentación
	Comportamiento
	Impacto ambiental, económico y sanitario
	Tratamiento actual

	Sistemas de detección y alerta temprana
	DEVS

	Arquitectura del sistema
	Imagen general
	Arquitectura en DEVS
	Capa Edge
	Capa Fog
	Capa Cloud


	Implementación de los subsistemas de predicción y análisis
	Predicción del bloom
	Análisis de datos
	Informes de la capa Fog
	Informes de la capa Cloud

	Servicio de entrenamiento

	Caso de uso
	Descripción del escenario
	Simulación
	Análisis de datos
	Entrenamiento

	Conclusiones
	Revisión de objetivos
	Trabajo futuro

	Anexos
	Introduction
	Motivation
	Context
	Objectives
	Document structure

	Conclusions
	Review of objectives
	Future work

	Bibliografía