Aplicación de datos del mes: Floraciones de algas nocivas

Floración de algas en el Golfo de Omán 24 de enero de 2018. Imagen: Ministerio de Cambio Climático y Medio Ambiente de los EAU

 ¿Qué son las floraciones de algas nocivas?

Cierto tipo de algas producen toxinas que, en grandes cantidades, pueden ser dañinas para la vida marina y potencialmente para los humanos. Las algas que forman estas capas densas se describen como floraciones de algas nocivas, FAN (HAB, por sus siglas en inglés). El monitoreo de la floración de algas es importante para los ecosistemas de agua dulce, para prevenir la contaminación de las áreas locales y costeras, para evitar la intoxicación de mariscos y pérdidas económicas a través de los impactos en la pesca y el turismo local. Las muertes de peces pueden ser causadas por toxinas o por el inmenso agotamiento del oxígeno causado por el aumento de la actividad algal. Las condiciones generales que favorecen la floración de algas son el aumento de la temperatura del agua de mar y la alta carga de nutrientes en los fertilizantes. Sin embargo, hay muchos tipos diferentes de fitoplancton que tienden a formarse en diferentes áreas.

Contenido

  1. Introducción a las HABs
  2. ¿Cómo se pueden controlar las HABs desde el espacio?
    2.1 Monitoreo visual (color)
    2.2 Índices cuantitativos (clorofila A, FLH, indicador HAB, indicador de marea roja)
  3. Efecto de las condiciones regionales en el monitoreo de HAB basado en el espacio
  4. Satélites disponibles para monitorear HABs
  5. Requisitos y limitaciones de la teledetección para monitoreo FAN
  6. Teledetección y monitoreo in-situ
  7. Grupos de Trabajo Regionales/Internacionales Sobre Monitoreo FAN
  8. Recursos de Datos
  9. Recursos de Software
  10. Material de Entrenamiento
  11. Bibliografía

1. Introducción a las HABs

Un término común para describir la floración de algas nocivas es "marea roja", que se deriva de los pigmentos fotosintéticos de color café y rojo exhibidos por ciertas especies de fitoplancton. Una especie conocida que cae en esta categoría es la Karenia brevis. Produce potentes neurotoxinas, llamadas patentoxinas, y prevalece en la costa de Florida y el Golfo de México.

Floración de algas rojas en Leigh, cerca de Cape Rodney, Nueva Zelanda. Imagen: Miriam Godfrey para el Instituto Nacional de Investigación del Agua y la Atmósfera de Nueva Zelanda.

Imagen de MERIS del 13 de julio del 2005 sobre el mar Báltico, que muestra una gran floración de algas de cianobacterias. Imagen: ESA  

 

Las algas verdeazules, que están formadas por cianobacterias, también se incluyen en el grupo de FAN. Las cianobacterias tienen las características tanto de algas como de bacterias y pueden ser monitoreadas de la misma manera que otras algas. (Organización Mundial de la Salud). Se presta especial atención a las cianobacterias, ya que producen toxinas que pueden ser perjudiciales para animales y humanos. Sin embargo, existen muchas más especies y toxinas (Pettersson y Pozdnyakov, 2013). Se muestra a continuación una lista de organismos responsables. Además, la prevalencia regional de especies y toxinas se incluye en la página de Algas Nocivas del Woods Hole Oceanographic Institution. 

Tipos de algas que proliferan FANs (Pettersson y Pozdnyakov, 2013 Tabla 1.1)

 Prevalencia regional de HABs

De acuerdo a Shen, Xu y Guo 2012, "Cada año, muchas regiones costeras en todo el mundo sufren daños por HAB.” Su investigación resume los estudios sobre las aguas de Hong Kong, el Mar de China Oriental, el Mar de Corea, el Mar de Japón, el Golfo de Tokin, el Mar Arábigo, la costa de Francia, la costa de Portugal, las aguas de Nueva Zelanda, las Rías de Galicia, el Mar Báltico, el Golfo de México, Washington, el Golfo de California, la costa de Florida, el Golfo de Maine, la costa de Nueva Escocia, la costa de Columbia Británica y la costa de Sudáfrica. Todas las áreas están "sujetas a HAB con tendencias desconcertantes de extensiones espaciales más grandes y frecuencias más altas" (Shen, Xu y Guo 2012).

Son importantes los estudios de la región de interés para poder encontrar las especies predominantes de algas y el tipo de toxina que se espera de la región. La Página de Algas Nocivas del Woods Hole Oceanographic Institution (WHOI) presenta mapas de dónde son dominantes los seis venenos diferentes, así como dónde ocurren las muertes de peces asociadas con HAB.

Global distribution of HABS

Figura 2. Distribución global de la floración de algas nocivas. Imagen: WHOI

 

2. ¿Como se pueden monitorear las HABs desde el espacio?

2.1 Monitoreo visual directo del color del océano:

Las imágenes satelitales miden la reflectancia del océano y proporcionan información sobre el color de éste (según la intensidad de la luz). El color en el que aparecen las floraciones de algas en las imágenes depende de los pigmentos contenidos en un cierto tipo de algas y en qué longitud de onda se reflejan o absorben estos pigmentos. La clorofila A, por ejemplo, es un pigmento dominante en las algas, y se refleja de manera más significativa en el espectro verde, lo que hace que para el ojo humano se vea de ese color. La absorción por ficocianina es baja en el espectro azul, cian y verde, por lo que aparenta una variación de azul o turquesa. Un ejemplo de algas con alto contenido de ficocianina son cianobacterias o algas verdeazules que se muestran en la Figura 1b.

Figura 3. Absorción de luz de los pigmentos algales. Imagen: Fondriest Environmental Inc.

Además del color de las algas en sí, se pueden evidenciar otros reflejos en el agua. La imagen de abajo muestra cómo el agua y las plantas con alto contenido de clorofila se ven verdes, como el agua clara se ve azul, como la materia orgánica (CDOM) aparece con un ligero tinte amarillo y los sedimentos se ven de color café.

Figura 4. Propiedades ópticas inherentes y el color del agua. Imagen: Programa de Entrenamiento de Teledetección Aplicada de la NASA

Monitoreo visual a través de imágenes ópticas mejoradas (ERGB, por sus siglas en inglés)

Como la diferencia en el color del océano no es clara, se utilizan imágenes ópticas mejoradas (ERGB) para detectar la floración de algas. Se crean eligiendo la banda roja, verde y azul de un satélite y estirando los colores en el rango del agua, para que las diferencias en el color del océano sean más fáciles de observar. En lugar de la gama de colores anterior, el color café/ rojizo a menudo “se atribuye a altas concentraciones de fitoplancton; el color brillante es causado por aguas ricas en sedimentos y/o reflexión de fondo poco profunda. El color oscuro es resultado de una alta concentración de fitoplancton y/o la coloración de la materia orgánica disuelta en agua.(CDOM, por sus siglas en inglés)" (Zhao et al 2014). Se presenta un curso sobre cómo utilizar imágenes ERGB, clorofila e información in situ para monitorear la floración de algas en LearnEO.

Figura 5. Imagen de MODIS/Rojo-Verde-Azul Mejorado derivado de Aqua (ERGB) recopilado el 23 de diciembre de 2008 sobre el Golfo de Omán. El color cfé oscuro en la imagen ERGB indica la aparición de la floración de algas. (Zhao et al 2016)

2.2 Monitoreo a través de indices:

Los índices cuantitativos y cualitativos también pueden ayudar a automatizar el monitoreo de la floración de algas y permitir el cálculo de la biomasa y, en algunos casos, la determinación de las especies presentes. La mayoría de los algoritmos se centran en la determinación de la concentración de clorofila-A y la altura de la línea de fluorescencia (FLH). La línea de fluorescencia es un indicador de la energía reemitida por las moléculas de clorofila después de la fotosíntesis.

Las raciones de banda espectral más comunes para recopilar los valores de CHL-a utilizados son las raciones de banda espectral azul-verde (440-550nm) desarrolladas a partir de datos empíricos. Esto se debe a que la mayor parte de la absorción de fitoplancton se produce dentro de esta parte del espectro visible (Blondeau-Patissier et al., 2014).

Cuando la imagenología óptica no pueden ser utilizada debido a la cobertura de las nubes, los datos del radar se pueden usar para reflejar la reflectancia y la retrodispersión emitida de la superficie de la Tierra. Como las algas causan cambios visibles en la estructura del agua superficial, las bandas de radar de apertura sintética (SAR) también se pueden usar para detectar la floración de algas.

Figura 6. Un contraste del mapa de clorofila-a derivado de MODIS/Aqua (utilizando el algoritmo OC3 M predeterminado) con la imagen ERGB (Zhao et al., 2016).

Los índices de clorofila derivados dependen del satélite y el algoritmo utilizado en su desarrollo. Los valores de Chl-a [mg/m3] disponibles en el sitio web del color de océano de la NASA son producidos por dos algoritmos, el algoritmo de relación de banda de O'Reilly (OCx) y el algoritmo de índice de color Hu (IC). Los coeficientes utilizados son específicos al sensor y se pueden encontrar en el sitio web del color de océano de la NASA.

Mientras que los valores altos de Chl-A son indicadores de floraciones nocivas de algas por haber variaciones estacionales en la presencia de clorofila en oceanos o lagos, las anomalías de Chl calculadas mediante la evaluación de los valores de una fecha determinada en un número de meses anteriores se utilizan a menudo para resaltar la floración de algas.

Figura 7. Cómo interactúa la luz con el agua. Imagen: Webinar de monitoreo avanzado de agua ARSET de la NASA, septiembre de 2018

Mientras que Chl-A se deriva de las reflexiones de detección remota Rs, muchos algoritmos aplican la reflectancia de salida del agua (L, w) o, en particular, la reflectancia de la salida de agua normalizada (L, wn), que depende menos del ángulo cenital solar, la dirección de visión o condiciones atmosféricas. Los valores de las descripciones y cálculos utilizados para varios parámetros se presentan aquí. (Reflectancia normalizada)

  •  Índice de Floración de Algas Nocivas (FANi) o Índice de marea roja (RI)

Los investigadores y las empresas privadas han desarrollado algunos indicadores específicos que pueden detectar tipos específicos de algas. El índice de floración de algas nocivas (Harmful Algae Bloom Index, HABi) de EOMAP se especializa en la detección de algas azules que contienen pigmentos de ficocianina, mientras que el Índice de Mareas Rojas (Red Tide Index, RI) rastrea la reflectancia de los fotopigmentos de carotenoides presentes en la especie K. brevis. Se están realizando investigaciones adicionales sobre la detección o evaluación de la floración de algas por tipo y, dado que la incidencia varía según la ubicación, es necesario el uso de indicadores específicos para ciertas regiones.

  • Índice de Floración de Algas Superficiales (SABI)   

El algoritmo SABI (Superficial Algae Bloom Index) detecta la biomasa que flota en la superficie del agua, que tiene una respuesta similar a la vegetación terrestre (Alawadi 2010). Es una relación de diferencia de banda empírica similar al NDVI, pero incluye específicamente bandas espectrales sensibles al océano; la azul (característica del agua clara) y la verde (característica de la floración de la columna de agua). Para Modis, las bandas corresponden a: B1 (XR = 645 nm) y B2 (XNIR = 869 nm), ambas agregadas del grupo de bandas MODIS de resolución de 250 m; y las bandas B3 (XB = 469 nm) y B4 (XG = 555 nm), respectivamente, disponibles dentro del grupo de bandas MODIS de resolución de 500 m (Alawadi 2010).

 

Figura 8. Floración de Ulva en el Mar Amarillo (Terra, 25 de junio de 2008) e imágenes de SABI. (Alawadi 2010)


  • Índice de Vegetación Normalizada Azul (BNDVI)

El índice de vegetación de diferencia normalizada azul (Blue Normalized Vegetation Index, BNDVI) es una banda de índice específicamente para cianobacterias correlacionadas con densidades de biomasa en la superficie del agua. La relación de banda puede compararse con el volumen de cianobacterias en una muestra de la columna de agua, también conocida como volumen de células empaquetadas flotantes (BPCV). Su cálculo requiere solo las bandas NIR y azul, y puede ser de utilizada si la FAN dominante en un área es de cianobacterias. (Van der Merwe and Price 2015). 

  • Índice de Algas Flotantes (FAI)

El índice FAI (Floating Algae Index) identifica solo las especies que presentan un "borde rojo" en su espectro de reflectancia sobre el agua, que es una forma de distinguir las macroalgas de fitoplancton u otra vegetación acuática sumergida. Se puede utilizar para cuantificar el número de píxeles de macroalgas flotantes. (Garcia et al. 2013).

Donde RRC es la reflectancia de la parte superior de la atmósfera corregida  Rayleigh; λ(SWIR), λ(NIR), and λ(RED) son las longitudes de onda de las bandas SWIR, NIR y roja, respectivamente. La FAI muestra una mejora significativa en la reducción en la variabilidad observada en las regiones afectadas por el brillo del sol o la atmósfera brumosa. Sin embargo, la FAI es sensible al agua turbia.

Parámetros Adicionales

Muchos modelos integrados hacen más uso de los parámetros adicionales, como la temperatura de la superficie del mar o los modelos de viento y corriente. Estos parámetros contribuyen a la formación de floración de algas a través del afloramiento de agua densa y más rica en nutrientes a la superficie del océano, que estimula el crecimiento de fitoplancton. Las áreas de afloramiento pueden identificarse por las temperaturas frías de la superficie del mar (sea surface temperatures, SST) y las altas concentraciones de clorofila-a. Un ejemplo de los modelos de circulación oceánica es HYCOM, un modelo oceánico generalizado global, de los cuales los datos y los códigos fuente están disponibles aquí.

3. Efecto de las condiciones regionales en el monitoreo de HAB basado en el espacio

Las algas se encuentran en aguas interiores, aguas costeras y el océano abierto. En todos los casos, el monitoreo satelital solo recupera la reflectancia de la capa superficial superior, por lo que la floración de algas en capas más profundas no es medible. Sin embargo, los algoritmos de detección remota deben prestar atención a la composición del agua en los diferentes cuerpos de agua. En el océano abierto –generalmente conocido como aguas de tipo 1– el fitoplancton es el constituyente primario (Morel, 1980) [q]. Por ende, el fitoplancton está empíricamente relacionado (a través de fórmulas con coeficientes que se encontraron experimentalmente) con la reflectancia que produce el agua y las relaciones de bandas espectrales azul-verde empíricas que se pueden usar para evaluar las concentraciones de Chl-a.

Las aguas costeras y los lagos de agua dulce se denominan aguas tipo 2 porque son más complejas ópticamente, ya que se ven afectadas por muchos componentes, como los sedimentos. En estos casos, Chl-a no se puede recuperar fiablemente de las bandas verde-azul, pero se puede usar información adicional de las bandas roja y NIR (Blondeau-Patissier et al., 2014).

El polvo y el vapor de agua fuera del área de interés también afectan la medición de FAN con imágenes satelitales ópticas. Particularmente, en el Golfo de Omán, donde la atmósfera está generalmente cargada con altos niveles de polvo y tiene un índice alto de vapor de agua, la precisión de los métodos de color estándar del océano puede verse afectada. Las diferencias regionales en la reflectancia atmosférica deben tenerse en cuenta en las correcciones AOT. (Zhao et al. 2016)

4. Satelites disponibles para monitorear HABs

La Tabla 2 presenta satélites que se pueden usar para monitorear FAN. Además, en 2016 y 2018 se lanzaron dos satélites no capturados en la tabla 2 y sujetos a monitoreo de FAN desde el espacio: los satélites gemelos Sentinel 3 que llevan el Instrumento de Color del Océano y la Tierra (Ocean and Land Colour Instrument, OLCI) y reemplazaron a MERIS ENVISAT. Representan una mejora al MERIS en la exposición a errores por sun glint (un fenómeno que ocurre cuando la superficie está expuesta a la superficie del océano en el mismo ángulo que un satélite u otro sensor está viendo la superficie.), ya que los destellos solares (sun glint) contaminaban más de la mitad de las observaciones de MERIS en latitudes sub-tropicales. (ESA)

Tabla 2 Características de los sensores de color del océano (Shen, Xu, and Guo 2012)

 

 5. Requisitos y limitaciones de la detección remota para monitoreo de HAB 

La capacidad de la detección remota para detectar la floración de algas nocivas depende en gran medida del tamaño de las floraciones y la resolución del instrumento elegido. Los datos de color del océano de SeaWiFS y MODIS disponibles a una resolución de 1 km solo pueden usarse para detectar grandes floraciones en el océano abierto, pero son demasiado toscos para mapear las floraciones en la zona costera. MERIS y su sucesor Sentinel 3, sin embargo, son capaces de detectar floración en el rango de 300 metros cuadrados. Además de la resolución y la calidad de medición esperada del instrumento, el tiempo de revisión de un satélite en el área de interés también determina lo bien que se puede monitorear una floración de algas.

Resumen de los algoritmos disponibles (por satélite) 

Los algoritmos deben adaptarse a los rangos de banda espectral observados por varios tipos de satélites. La tabla… a continuación indica qué bandas se utilizan para crear el producto deseado (FLH = Altura de línea de fluorescencia).

Tabla: Bandas utilizadas en algoritmos para indicadores de floración de algas para MODIS, MERIS, SeaWiFS (Blondeau-Patissier et al. 2014).

Spectral bands (in nm) used in algal bloom indices for SeaWiFS, MODIS and MERIS

 

Posibles falsos positivos

Incluso cuando se usa el algoritmo más adecuado, un área indicada por el producto como potencial florecimiento de algas puede no ser una HAB después de todo. Primero, no todas las floraciones de algas detectadas son dañinas o pueden estar indicando un fenómeno con una apariencia similar. En el caso de las imágenes de satélite de radar, la floración de algas puede aparentar similitudes a los derrames de petróleo.

Limitaciones

En general, la determinación de FAN con detección remota aún requiere verificación in situ. Es probable que algunos algoritmos fallen en las zonas costeras debido a problemas con la corrección atmosférica o que la señal de altura de la línea de fluorescencia pueda enmascararse debido a la influencia de materia orgánica disuelta y materia suspendida total (McKee et al. (2007). Sin embargo, Shen, Xu y  Guo 2012 señalan que "aunque es difícil para la detección remota por satélite detectar FAN de alta toxicidad existentes en las capas delgadas, sigue siendo una herramienta eficaz para identificar FAN de alta biomasa, como las mareas rojas".

El manejo de la floración de algas dañinas también requiere saber qué especies con qué tóxico está presente. Debido a la multitud de especies y toxinas, y la limitación de la detección remota para observar ciertas características espectrales, esto no siempre es posible. Para algunas especies distintas de FAN, se han encontrado características espectrales indicativas. Zhao et al. 2010 concluyeron que existen tres tipos de características espectrales principales (el pico único, el pico doble y el pico ancho) para la mayoría de las especies de FAN. El pico único se caracteriza por un solo pico de reflectancia a 680–750 nm (por ejemplo, para las especies Heterosigma akashiwo y Ceratium furan) mientras que el tipo de pico doble tiene un pico de reflectancia fuerte a alrededor de 700 nm y un pico débil a alrededor de 800 nm (p. ej., Gymnodinium spp., Pyramimonas spp.). El tipo de pico ancho tiene un pico de reflectancia relativamente amplio distribuido de 680 a 900 nm (por ejemplo, Platymonas spp., Nitzschia closterium y Chlorella spp.)

6. Combinando sensores remotos y monitoreo in situ

Aunque la detección remota es una herramienta poderosa para la detección de la floración de algas, se requiere la integración con otras fuentes de datos y especialmente las validaciones in situ para garantizar la precisión de las observaciones. La figura a continuación indica un marco para comprender cómo se integran y analizan las múltiples fuentes de datos. Además, una lección de capacitación sobre el uso de la detección remota para detectar la floración de algas nocivas e integrar datos in situ y satelitales está disponible en LearnEO.

 

Figura 9. Un marco sintetizado de detección remota por satélite para detectar HAB. Imagen: Shen, Xu, and Guo 2012

Por último, la siguiente sección presenta una descripción general de los grupos de trabajo sobre monitoreo HAB, fuentes de datos disponibles y mapas web, así como el software disponible para el procesamiento y monitoreo de imágenes satelitales.

7.Grupos de trabajo regionales/internacionales sobre monitoreo de FAN

  1. Comisión Oceanográfica Intergubernamental de la UNESCO
  2. Grupo de trabajo regional de la COI sobre FAN en América del Sur
  3. Grupo de trabajo regional de la COI sobre FAN en el Caribe
  4. Productos de Sentinel para la detección de eventos de EUtROphication y Harmful Algal Bloom (S-3 EUROHAB)
     

8. Fuente de datos

Datos satelitales sin procesar (Nivel 0, requiere AOT y todo el procesamiento básico)

Mapas de clorofila preprocesados:

Datos in situ:

Mapas HAB:

 9. Recursos de Software:

  1. NASA SeaDAS
  2. Bilko
  3. Acolite

10. Más recursos de lecturas/ capacitación

  1. NOAA
  2. Características de los sensores históricos y actuales del color del océano (Shen et al. 2012)
  3. Cómo crear mapas de clorofila a partir de datos de Sentinel 3 con SNAP
  4. Seminario web avanzado de ARSET (Programa de capacitación de percepción remota [o teledetección] aplicada): procesamiento de imágenes satelitales para monitorear la calidad del agua
  5. EO Learn/Bilko Case Study (Integración de datos de detección in situ y remotos)
  6. SEOS Earth Observation Training para Ocean Colour específicamente para la floración de algas nocivas.

 11. Bibliografía

Alawadi, Fahad. 2010. “Detection of Surface Algal Blooms Using the Newly Developed Algorithm Surface Algal Bloom Index (SABI).” In , edited by Charles R. Bostater, Jr., Stelios P. Mertikas, Xavier Neyt, and Miguel Velez-Reyes, 782506. https://doi.org/10.1117/12.862096.

Blondeau-Patissier, David, James F.R. Gower, Arnold G. Dekker, Stuart R. Phinn, and Vittorio E. Brando. 2014. “A Review of Ocean Color Remote Sensing Methods and Statistical Techniques for the Detection, Mapping and Analysis of Phytoplankton Blooms in Coastal and Open Oceans.” Progress in Oceanography 123 (April): 123–44. https://doi.org/10.1016/J.POCEAN.2013.12.008.

Carvalho, Gustavo A, Peter J Minnett, Viva F Banzon, Warner Baringer, and Cynthia A Heil. 2011. “Long-Term Evaluation of Three Satellite Ocean Color Algorithms for Identifying Harmful Algal Blooms (Karenia Brevis) along the West Coast of Florida: A Matchup Assessment.” Remote Sensing of Environment 115 (1): 1–18. https://doi.org/10.1016/j.rse.2010.07.007.

Garcia, Rodrigo A., Peter Fearns, John K. Keesing, and Dongyan Liu. 2013. “Quantification of Floating Macroalgae Blooms Using the Scaled Algae Index.” Journal of Geophysical Research: Oceans 118 (1): 26–42. https://doi.org/10.1029/2012JC008292.

McKee, David, Alex Cunningham, David Wright, and Lorraine Hay. 2007. “Potential Impacts of Nonalgal Materials on Water-Leaving Sun Induced Chlorophyll Fluorescence Signals in Coastal Waters.” Applied Optics 46 (31): 7720–29. http://www.ncbi.nlm.nih.gov/pubmed/17973016.

Merwe, Deon Van der, and Kevin P Price. 2015. “Harmful Algal Bloom Characterization at Ultra-High Spatial and Temporal Resolution Using Small Unmanned Aircraft Systems.” Toxins 7 (4): 1065–78. https://doi.org/10.3390/toxins7041065.

Pettersson, Lasse H., and Dmitry Pozdnyakov. 2013. Monitoring of Harmful Algal Blooms. Monitoring of Harmful Algal Blooms. https://doi.org/10.1007/978-3-540-68209-7.

Shen, Li, Huiping Xu, and Xulin Guo. 2012. “Satellite Remote Sensing of Harmful Algal Blooms (HABs) and a Potential Synthesized Framework.” Sensors 12 (6): 7778–7803. https://doi.org/10.3390/s120607778.

Zhao, Dongzhi, Xiaogang Xing, Yuguang Liu, Jianhong Yang, and Lin Wang. 2010. “The Relation of Chlorophyll-a Concentration with the Reflectance Peak near 700 Nm in Algae-Dominated Waters and Sensitivity of Fluorescence Algorithms for Detecting Algal Bloom.” International Journal of Remote Sensing. https://doi.org/10.1080/01431160902882512.

Zhao, Jun, and Hosni Ghedira. 2014. “Monitoring Red Tide with Satellite Imagery and Numerical Models: A Case Study in the Arabian Gulf.” https://doi.org/10.1016/j.marpolbul.2013.10.057.