{rfName}
De

Licencia y uso

Altmetrics

Análisis de autorías institucional

Vakaruk, StanislavAutor o CoautorKaramchandani, AmitAutor o CoautorMozo, AlbertoAutor (correspondencia)Gomez-Canaval, SandraAutor o Coautor

Compartir

1 de septiembre de 2024
Publicaciones
>
Artículo
Hybrid Gold

Deep learning methods for multi-horizon long-term forecasting of Harmful Algal Blooms

Publicado en:Knowledge-Based Systems. 301 112279- - 2024-10-09 301(), DOI: 10.1016/j.knosys.2024.112279

Autores: Martin-Suazo, S; Moron-Lopez, J; Vakaruk, S; Karamchandani, A; Aguilar, JAP; Mozo, A; Gomez-Canaval, S; Vinyals, M; Ortiz, JM

Afiliaciones

Polish Acad Sci, European Reg Ctr Ecohydrol, 3 Tylna, PL-90364 Lodz, Poland - Autor o Coautor
Univ Alcala, IMDEA Water Inst, Ave Punto Com 2,Parque Cientif Tecnol, Alcala De Henares 28805, Spain - Autor o Coautor
Univ Fed Toulouse, INRAE, MIAT, 24 Chem Borde Rouge, F-31326 Castanet Tolosan, France - Autor o Coautor
Univ Politecn Madrid, ETS Ingn Sistemas Informat, Calle Alan Turing S-N, Madrid 28031, Spain - Autor o Coautor

Resumen

The increasing occurrence of Harmful Algal Blooms (HABs) in water systems poses significant challenges to ecological health, public safety, and economic stability globally. Deep Learning (DL) models, notably Convolutional Neural Networks (CNN) and Long-Short Term Memory (LSTM), have been widely employed for HAB prediction. However, the emergence of state-of-the-art multi-horizon forecasting DL architectures such as Neural Basis Expansion Analysis for Interpretable Time Series Forecasting (N-BEATS) provides a novel solution for long-term HAB prediction. This study compares the performance of N-BEATS with LSTM and CNN models using high temporal granularity water quality data from As Conchas reservoir (NW Spain) to forecast chlorophyll-a (Chl-a) concentrations, a key indicator of HABs. The evaluation encompasses one-day and one-week prediction horizons, aligning with World Health Organization (WHO) HAB alert criteria. Results indicate that N-BEATS outperforms LSTM and CNN models for one-week predictions and when forecasting multiple consecutive days within a week. Furthermore, augmenting input data with additional variables does not significantly enhance predictive accuracy, challenging the assumption that complexity always improves model performance. The study also explores the transferability of trained models across different monitoring buoys within the same water body, emphasizing the adaptability and broad applicability of predictive models in diverse aquatic environments. This research underscores the potential of N-BEATS as a valuable tool for HAB prediction, particularly for longer-term forecasting.

Palabras clave

AlgaeAlgae bloomsAlgae controlChlorophyllConvolutional neural networkDeep learningForecastinForecastingHarmful alga bloomHarmful algaeHarmful algae bloomHarmful algal bloomsLakeLearning systemsLong short-term memoryLong-term forecastingMechanisModelMonitoringNeural network modelNeural-networkReservoirs (water)Time seriesTime series analysisTime series forecastingTime-seriesTimes seriesWater quality

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Knowledge-Based Systems debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 26/204, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence.

2025-07-23:

  • WoS: 1
  • Scopus: 4

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-07-23:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 84 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/84623/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 63
  • Descargas: 32

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: France; Poland.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (Martin-Suazo, Silvia) .

el autor responsable de establecer las labores de correspondencia ha sido MOZO VELASCO, BONIFACIO ALBERTO.