Using artificial neural networks and citizen science data to assess jellyfish presence along coastal areas

• Published in: The Journal of applied ecology Vol. 61; no. 9; pp. 2244 - 2257
• Main Authors: Castro‐Gutiérrez, J., Gutiérrez‐Estrada, J. C., Báez, J. C.
• Format: Journal Article
• Language: English
• Published: 01-09-2024
• ISSN: 0021-8901; 1365-2664
• DOI: 10.1111/1365-2664.14734

Jellyfish blooms along coastal areas can pose significant challenges for beach users and local authorities. Understanding the factors influencing jellyfish presence is crucial for effective management and mitigation strategies. In this study, citizen science data from the Andalusian coast (232 beaches, in 40 different localities) and machine learning techniques are used to investigate if the presence and absence of jellyfish along coastal areas can be predicted. A multi‐layer perceptron (MLP) neural network was employed to classify user comments regarding jellyfish presence or absence, achieving an accuracy of approximately 96%. The MLP model demonstrated robustness in handling non‐linear classification problems and noise, although it showed lower precision for predicting jellyfish presence, likely due to an imbalance in the dataset. Environmental data were also incorporated to characterise the influence of sea surface temperature, wind direction and wind speed on jellyfish distribution. The results align with previous studies, suggesting these environmental factors significantly impact jellyfish presence. Synthesis and applications . This research provides actionable recommendations for beach management. The implementation of continuous monitoring of sea surface temperature and wind conditions will enable more accurate predictions of jellyfish distribution. Adaptive management strategies that respond dynamically to environmental data will help mitigate the impact of jellyfish blooms on coastal tourism and public health.
Las proliferaciones de medusas en áreas costeras pueden representar desafíos significativos para los usuarios de playas y las autoridades locales. Comprender los factores que influyen en la presencia de medusas es crucial para estrategias efectivas de gestión y mitigación. En este estudio, se utilizaron datos de ciencia ciudadana de la costa andaluza (232 playas, en 40 localidades diferentes) y técnicas de aprendizaje automático para investigar si se puede predecir la presencia y ausencia de medusas en las áreas costeras. Se empleó una red neuronal Perceptrón Multicapa (MLP) para clasificar los comentarios de los usuarios sobre la presencia o ausencia de medusas, logrando una precisión de aproximadamente el 96%. El modelo MLP demostró robustez al manejar problemas de clasificación no lineales y ruido, aunque mostró menor precisión para predecir la presencia de medusas, probablemente debido a un desequilibrio en el conjunto de datos. También se incorporaron datos ambientales para caracterizar la influencia de la Temperatura Superficial del Mar (TSM), la dirección del viento y la velocidad del viento en la distribución de medusas. Los resultados coinciden con estudios previos, sugiriendo que estos factores ambientales impactan significativamente en la presencia de medusas. Síntesis y aplicaciones: Esta investigación proporciona recomendaciones prácticas para la gestión de playas. La implementación de un monitoreo continuo de las condiciones de TSM y viento permitirá predicciones más precisas de la distribución de medusas. Estrategias de gestión adaptativa que respondan dinámicamente a los datos ambientales ayudarán a mitigar el impacto de las proliferaciones de medusas en el turismo costero y la salud pública.