Predicción de floraciones algales utilizando algoritmos de aprendizaje automático

Abstract

Este estudio aplica técnicas de aprendizaje automático para predecir la concentración de clorofila, utilizada como indicador de biomasa algal, a partir de variables fisicoquímicas en cuerpos de agua. Se compararon modelos desarrollados manualmente (Ridge, Random Forest y XGBoost) con un enfoque automatizado mediante Azure AutoML. El modelo StackEnsemble de AutoML obtuvo el mejor desempeño (R² = 0.8123), superando a los métodos tradicionales. Las variables más influyentes fueron la relación fósforo-amonio, el fósforo total, los componentes estacionales y la temperatura del agua. Los resultados evidencian el potencial del aprendizaje automático como herramienta de apoyo para el monitoreo y la predicción de floraciones algales en ecosistemas acuáticos.