Ingeniería basada en modelos para la gestión de afloraciones de cianobacterias

Abstract

En la actualidad, la escasez de agua es un tema que está a la orden del día 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 recolección 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 podrían 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 recogidas 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 ingeniería de sistemas basada en modelos (MBSE, del inglés, Model-Based Systems Engineering) para entornos dinámicos.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 conditioning 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 análisis 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 cyanobacteria, 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 comprehensive 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 solution for real-time monitoring and management of cyanobacterial blooms, supported by a Model-Based Systems Engineering (MBSE) infrastructure for dynamic environments.