Summary: | 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 ...
|