Qualitat de l’aigua – Cianobacteris – Barcelona

Fregata Space és una Plataforma d’Observació de la Terra que permet descobrir i monitoritzar la contaminació de l’aire a qualsevol lloc del món. Per fer-ho, utilitzem l’aplicació d’algoritmes propis d’intel·ligència artificial sobre imatges multiespectrals i hiperespectrals provinents de satèl·lits, drons, avions, machine learning i dades d’estacions meteorològiques. Tot plegat, ens proporciona informació de la qualitat de l’aigua en cossos d’aigua marins, costaners, embassaments o llacunes i la seva contaminació.

La qualitat d’aigua fa referència a la condició física, química, biològica i microbiològica, generalment respecte a la seva idoneïtat per a algun propòsit particular, per exemple, funcionament dels ecosistemes o salut pública, contacte primari, industrial d’entre altres. Per aquest motiu, les variables com la temperatura, la salinitat, l’oxigen dissolt, l’alcalinitat, el pH, la matèria orgànica dissolta (CDOM), la transparència de l’aigua, l’estructura de la comunitat del fitoplàncton o els pigments del fitoplàncton s’utilitzen com a referència per establir-ne l’estat de qualitat de l’aigua.

Objectiu

Proporcionar un índex de la qualitat de l’aigua per a diferents cossos d’aigua a nivell global mitjançant la combinació d’indicadors (Clorofil·la, terbolesa, matèria orgànica dissolta, carboni orgànic particulat) amb resolució de 10 metres que permeti:

• Diferenciar la variabilitat natural de la generada pels éssers humans amb el propòsit de definir estratègies de gestió i remediació.
• Realitzar detecció i traçabilitat als episodis de contaminació en cossos d’aigua.
• Avaluar el seguiment de fenòmens estacionals relacionats amb la qualitat de l’aigua.

Fregata Space monitoritza els cossos d’aigua de manera individual o conjunta fins a set indicadors:

• Clorofil·la
• Cianobacteris
• Terbolesa
• CDOM (Materia Orgànica Dissolta)
• DOC (Carboni Orgànic Dissolt)
• Residus flotants (plàstics)
• POC (Carboni Orgànic Particulat)

Avantatges

Els avantatges diferenciadors del nostre servei vs les tecnologies tradicionals de mostreig d’aigua en laboratoris són les següents:

• Temps real. Podem monitoritzar la qualitat de l’aigua a temps real durant 24 hores. La nostra Inteligencia Artificial pot calcular un indicador en 20 segons.
• Cobertura. La totalitat de l’àrea que proposi el client pot ser monitoritzada. Actualment amb altres solucions, no seria possible. Addicionalment, Fregata Space, pot detectar i monitoritzar l’origen i l’evolució de la contaminació.
• L’estalvi ve donat per dues vies: La primera, per la reducció del nombre de sensors a instal·lar de forma terrestre, ja que només caldrà tenir mostres en un sensor per calibrar els algoritmes. La segona, mitjançant alertes anticipades, les quals redueixen i/o eviten el cost de la remediació. L’estalvi pot arribar a ser d’un 50%.
• Capacitat de resposta. L’alta freqüència de monitorització combinada amb les alertes anticipades, permeten executar accions ràpides per evitar esdeveniments de contaminació major. Les alertes es reben mitjançant Mail/App/Mòbil.
• Dades integrades. La plataforma permet comparar, seguir i avaluar dades històriques amb les dades actual de forma constant.
• Predicció. Els algoritmes d’aprenentatge automàtic de la plataforma permeten preveure cap on es desplaçarà i/o expandirà la contaminació.
• La vigilància contínua de la possible contaminació permet l’acompliment de la normativa vigent. Requisits i lleis de l’OMI / locals.
• Baixos costos associats. En una sola plataforma es disposa de diferents imatges satel·litals i algoritmes sense cost addicional.

Metodologia

Actualment Fregata Space integra capacitats per a la monitorització de la contaminació de l’aigua utilitzant algoritmes propis de machine learning sobre imatges satel·litals de constel·lacions d’observació de la terra..

El procés implica el desenvolupament de models per generar indicadors de qualitat de l’aigua a partir de les reflectàncies satel·litàries dels sensors, els quals són validats amb informació d’estacions oceanogràfiques per assegurar la representació de la variabilitat local de les zones monitoritzades.

Models matemàtics

El procés es duu a terme en tres passos:

1. Calcular els indicadors de qualitat de l’aigua mitjançant models de referència bibliogràfica per a cada missió satel·lital.
2. Correlacionar les variables satel·litals amb les dades de les estacions oceanogràfiques i/o meteorològiques per validar algoritmes locals.
3. Definir l’estat de qualitat de l’aigua mitjançant la combinació de les diferents variables i els indicadors amb models matemàtics.

Lliurament d’informació

 La informació processada dels indicadors es poden obtenir en quatre formats diferents:

• Imatge

Lliurament:      Automàticament

Format:            Kml

• Vídeo

Lliurament:      Un dia després de la sol·licitud

Format:            Mp4

• Estudi

Lliurament:      S’informarà la data de lliurament, prèvia valoració conjunta

Format:            Pdf

• SaaS

Lliurament:      Es lliurarà automàticament

Format:            Accés web

Referències

Canon-Paez, Mary Luz, Santamaría-Del-Angel, Eduardo, 2021, P – 13 – 30. Identification of phytoplankton blooms in the Gerlache Strait, West Antarctic Peninsula. VL – 50. https://doi.10.25268/bimc.invemar.2021.50.SuplEsp.922 . Boletín de Investigaciones Marinas y Costeras.

https://custom-scripts.sentinel-hub.com/

Ishan D. Joshi, Eurico J. D’Sa, Christopher L. Osburn, Thomas S. Bianchi, Dong S. Ko, Diana Oviedo-Vargas, Ana R. Arellano, Nicholas D. Ward, Assessing chromophoric dissolved organic matter (CDOM) distribution, stocks, and fluxes in Apalachicola Bay using combined field, VIIRS ocean color, and model observations, Remote Sensing of Environment, Volume 191, 2017, Pages 359-372, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2017.01.039.

Li, Y., Zhang, Y., Shi, K. et al. Spatiotemporal dynamics of chlorophyll-a in a large reservoir as derived from Landsat 8 OLI data: understanding its driving and restrictive factors. Environ Sci Pollut Res 25, 1359–1374 (2018). https://doi.org/10.1007/s11356-017-0536-7 .

Pirjo Huovinen, Jaime Ramírez, Luciano Caputo, Iván Gómez, Mapping of spatial and temporal variation of water characteristics through satellite remote sensing in Lake Panguipulli, Chile, Science of The Total Environment, Volume 679, 2019, Pages 196-208, ISSN 0048-9697. https://doi.org/10.1016/j.scitotenv.2019.04.367 .

Peterson A., Kyle T.A Sagan, Vasit,A Sidike, Paheding Cox, Amanda L.A Martinez, Megan D 2018.J Remote Sensing. 2072-4292.V 10, N 10 P 1503.Suspended Sediment Concentration Estimation from Landsat Imagery along the Lower Missouri and Middle Mississippi Rivers Using an Extreme Learning Machine. https://doi:10.3390/rs10101503

NASA Ocean Color

Santamaría-del-Ángel, E., González-Silvera, A., Millán-Núñez, R., Callejas-Jiménez, M. E., Cajal-Medrano, R. (2011). Case Study 19. Determining Dynamic Biogeographic Regions using Remote Sensing Data. Handbook of Satellite Remote Sensing Image Interpretation: Applications for Marine Living Resources Conservation and Management (2011), EU PRESPO and IOCCG, Dartmouth, Canada, 293 p.

Santamaría-Del-Angel, Eduardo, Canon Paez, Mary,Sebastiá, M.T., Gonzalez-Silvera, Adriana,Gutierrez, Angelica,Aguilar-Maldonado, Jesús A., Lopez-Calderon, Jorge, Camacho-Ibar, Victor, Franco-Herrera, Andrés,Castillo, Alejandra. 2021, P – 1122. Interannual Climate Variability in the West Antarctic Peninsula under Austral Summer Conditions. VL – 13. https://doi:10.3390/rs13061122 .Remote Sensing.

Contacte

Maria Fernanda Gonzalez Gutierrez, CEO & Founder,  mafe.gonzalez@fregataspace.com

Mercurio Ceballos Salazar, COO, mercurio.ceballos@fregataspace.com

Mary Luz Canon Paez, CRO, mary.canon@fregataspace.com