Prediction of Harmful Algae Blooms Impacting Shellfish Farms in Norway
Doctoral thesis
Date
2023-11-30Metadata
Show full item recordCollections
- Geophysical Institute [1268]
Abstract
Skadelig algeoppblomstring (HAB) forårsaker alvorlig skade på økosystemet og menneskers helse, samt økonomiske konsekvenser for skalldyr og oppdrettsanlegg. Utviklingen av HABs prediksjonsmodeller har blitt økenende populart fordi det kan hjelpe næringsliv til å håndtere risko bedre. Få har prøvde å varsle alger som fører skalldyrforurensning, på grunn av det er begrenset data av individuelt taxa og at faktors som påvirker det varieres strort. Overvåkingsprogrammer for giftige alger har nå blitt etablert i flere år, som gjøre at det er nå mullig å lykkes. Denne avhandlingen kalibrere for først gang maskinlæring models som kan brukes til å varlse HABs som påvirker skalldyroppdrett i det norske kystvannene. Studien bruker giftige algedata fra Norskehysten, satellittobservasjoner av Chl-a-konsentrasjon, suspendert partikulært materiale (SPM), havoverflatetemperatur (SST), fotosyntetisk aktiv stråling (PAR), og vindhastighet, og modellreanalysedata av blandingsdybde (MLD) og havoverflatesaltholdighet (SSS). Paper I- viser at våroppblomstringer har en stor år-til-år variasjon i Nord-Norge og i Barentshavet som er påvirket av miljø (vann og vind). Det fører til at det er prediktabilitet i vår fokus område. Paper II- viser at sannsynligheten får å måle en av det åtte giftige alger som fines i Norge kan varsles og er knyttet til variasjonen av SST, PAR, SSS og MLD. Modellen kan også varsle sannsynligheten å måle skadelige konsentrasjon for Alexandrium spp., Alexandrium tamarense, Dinophysis acuta og Azadinium spinosum. Den Support Vector Machines (SVM) kan kartlegge risiko langs det Norskekysten og kan bli brukt både på overvåkning og varsling. Paper III vises at den SVM metode kan varlse D. acuminata konsentrasjon ved å bruke nåværende og tidligere D. acuminata konsentrasjon, SST, PAR og vindhastighet. Den pilot studie fokuserer for Lyngen i Nord-Norge. Sesongvarlsing utvilet i Paper III og sansynlighet model utviklet i Paper II er svært komplementært. Det første kan fører til mer nøyaktige predisjkon men krever at overvåkning data er tilgjengelig i lokasjonet, mens den andre kan brukes selv om ingen algaer data finnes i nærethen. Metoder kan lett tilpasses for andre område i verden så langt en algær overvåkning er etablert. Harmful algae blooms (HABs) cause severe damage to the ecosystem and human health, and have significant economic impacts on shellfish farms. HAB prediction models have become increasingly popular because they can help stakeholder to take mitigation actions and reduce economic loss. Few studies have attempted to predict toxic algae species related to shellfish contamination because the time extent of data is limited and modeling the environmental response of specific taxa is complex. However, toxic algae monitoring programs have now been running for several years and have produced large datasets of toxic algae. Combined with long-time series observations by satellites and model reanalysis, we can now calibrate prediction models for toxic algae affecting shellfish farms. This thesis calibrates machine learning models to predict toxic algae impacting shellfish farms in Norwegian coastal waters for the first time. It is conducted by combining toxic algae data from the Norwegian Food Safety Authority with satellite observations of Chla concentration, Suspended Particulate Matter (SPM), Sea Surface Temperature (SST), Photosynthetically Active Radiation (PAR), and wind speed, as well as model reanalysis data of Mixed Layer Depth (MLD) and Sea Surface Salinity (SSS). Paper I demonstrates that the blooms phenology has a strong interannual variability in the North, Norwegian, and Barents Seas, which is related to the variability of the environmental ocean and atmospheric factors (SST, MLD, SPM, and winds). It implies that these variables are potential predictors for blooms in the region. Paper II exhibit that a Support Vector Machine (SVM) model can predict the presence probability of eight toxic algae on the Norwegian coast using SST, PAR, SSS, and MLD. The models can also predict the probability of harmful levels for Alexandrium spp., Alexandrium tamarense, Dinophysis acuta, and Azadinium spinosum. It can produce a climatological overview of the HABs along the Norwegian coast and provide monitoring and prediction applications. Paper III extends the SVM application to the prediction of D. acuminata abundance in a sub-seasonal range (7 -28 days) when fed with the current and past D. acuminata abundance, SST, PAR, and wind speed. The sub-seasonal forecast model is developed for the Lyngenfjord in northern Norway as a proof of concept. The probability estimates in Paper II and the sub-seasonal forecast of D. acuminata abundance in Paper III are two complementary approaches. The first is employable in the entire coast even where algae monitoring is unavailable, while the latter requires tuning to specific aquaculture farms and can achieve refined prediction. Since the SVM models are fed with data commonly available worldwide, they are portable to other regions where data from harmful algae monitoring programs are available.
Has parts
Paper 1. Edson Silva, François Counillon, Julien Brajard, Anton Korosov, Lasse H. Pettersson, Annette Samuelsen, Noel Keenlyside, (2021) Twenty-One Years of Phytoplankton Bloom Phenology in the Barents, Norwegian, and North Seas, Frontiers in Marine Science 8. The article is available at: https://hdl.handle.net/11250/2988390Paper 2. Edson Silva, Julien Brajard, François Counillon, Lasse H. Pettersson, Lars Naustvoll, (2023) Probabilistic Models for Harmful Algae: Application to the Norwegian Coast. Not available in BORA.
Paper 3. Edson Silva, François Counillon, Julien Brajard, Lasse H. Pettersson, Lars Naustvoll, (2023) Forecasting Harmful Algae Blooms: Application to Dinophysis acuminata in Northern Norway, Harmful Algae 126. The article is available in the thesis. The article is also available at: https://doi.org/10.1016/j.hal.2023.102442