A las cuatro de la tarde, un lago de pesca puede ofrecer una imagen tranquilizadora. El agua está caliente, los peces quizá sigan activos y una lectura de oxígeno disuelto cerca de la superficie puede parecer perfectamente aceptable. Sin embargo, el lago podría estar avanzando ya hacia la fase más crítica de su ciclo diario de oxígeno, justo cuando casi nadie lo observa.
El calor, el oxígeno disuelto, las algas y las cianobacterias están relacionados, pero no mediante una única cadena sencilla de causa y efecto. Por eso, el sistema de monitorización más útil no es necesariamente el que incorpora el mayor número de sensores, sino el que responde a las preguntas reales del operador:
El mismo problema básico de medición se plantea en los lagos de pesca recreativa, las piscifactorías de interior, las jaulas mar adentro y los cultivos de mejillones. Los procesos físicos y biológicos subyacentes son comunes; lo que cambia es el grado de renovación del agua, la densidad de población, la salinidad, la exposición y el objetivo biológico.
- ¿Está llegando el oxígeno a niveles peligrosos para los peces?
- ¿Está contribuyendo la actividad biológica al cambio?
- ¿Están ganando presencia las cianobacterias u otro grupo localmente relevante que forme floraciones?
- ¿Puede reconocerse la tendencia con suficiente antelación para intervenir?
Esta publicación analiza lo que las mediciones de oxígeno disuelto, clorofila-a, cianobacterias, turbidez y salinidad pueden —y no pueden— decirnos en lagos de pesca, piscifactorías de interior y mar adentro, y cultivos de mejillones en aguas salobres o marinas. En las secciones finales volveremos a la cuestión del momento crítico: ¿cuándo suele ser mayor el riesgo asociado al oxígeno y por qué una inspección por la tarde puede pasarlo por alto?
El calor modifica el balance de oxígeno
A medida que el agua se calienta, disminuye su capacidad para retener oxígeno disuelto. Al mismo tiempo, continúa la respiración de los peces y los microorganismos, y la demanda biológica de oxígeno puede aumentar. El tiempo caluroso y en calma también puede reforzar la estratificación térmica y reducir el intercambio entre el agua superficial oxigenada y las capas más profundas.
Estos mecanismos no afectan por igual a todos los lagos de pesca, las explotaciones acuícolas o los cultivos de mejillones. La profundidad, la exposición al viento, la transparencia del agua, la carga orgánica, la densidad de peces o mejillones y la geometría de la cuenca influyen en el resultado. Incluso aguas relativamente poco profundas pueden presentar diferencias verticales o espaciales importantes.
Esta es la primera razón por la que una única medición ocasional constituye una evidencia débil. Una lectura describe un lugar y un instante, pero no revela hacia dónde evoluciona el sistema.
El primer sensor no es un «sensor de algas»
Si el objetivo de gestión es proteger a los peces o a los mejillones, el oxígeno disuelto es el punto de partida lógico. Es la variable ambiental directamente relacionada con el oxígeno disponible de inmediato para los peces.
Normalmente debería medirse también la temperatura. Esta influye en la solubilidad del oxígeno, el metabolismo de los peces, la mezcla del agua y la interpretación tanto de la concentración de oxígeno como de su porcentaje de saturación.
En emplazamientos mar adentro y de agua salobre, la conductividad o la salinidad también debe formar parte de la referencia básica. La salinidad afecta a la solubilidad del oxígeno y ayuda a identificar aportes de agua dulce, estratificación y cambios de masas de agua. En el cultivo de mejillones también aporta un contexto importante sobre las condiciones de filtración y los cambios en la comunidad fitoplanctónica.
Una serie continua de DO y temperatura empieza a responder preguntas operativas que una medición puntual no puede resolver:
- ¿Qué amplitud tienen las oscilaciones recurrentes de oxígeno?
- ¿Está descendiendo progresivamente el valor mínimo?
- ¿Con qué rapidez disminuye el oxígeno?
- ¿Se comporta de manera uniforme la columna de agua?
- ¿Produjo un aireador la respuesta esperada?
El nivel de alarma adecuado depende de cada lugar y de los organismos considerados. Importan la especie, la etapa vital, la densidad de población, la temperatura del agua y la duración de la exposición. La velocidad de cambio puede ser tan importante como un umbral fijo: una caída rápida puede justificar la intervención antes de alcanzar el nivel de alarma.
¿Puede la IA predecir una caída del oxígeno solo a partir del DO?
A veces, siempre que la afirmación se formule con precisión.
Una serie temporal de DO suficientemente larga y regular contiene información sobre los ciclos recurrentes y la respuesta del lugar a condiciones anteriores. Los modelos de series temporales y de aprendizaje automático pueden aprender esos patrones y estimar la trayectoria futura del DO. Eze y Ajmal (2020), por ejemplo, obtuvieron predicciones alentadoras a corto y más largo plazo a partir de una serie de DO de un estanque de acuicultura mediante un enfoque híbrido EEMD–LSTM.
Esto no significa que un modelo entrenado en un lugar pueda trasladarse sin más a otro. Una predicción operativa útil requiere datos locales, pruebas fuera de muestra y una validación continua a medida que cambian las estaciones y las condiciones del lugar.
El historial de DO por sí solo también puede contener patrones compatibles con una productividad biológica elevada o con la actividad de una floración. Pero no permite establecer la causa de manera fiable. No puede indicar al operador si predominan las algas o las cianobacterias, qué especies están presentes ni si se están produciendo toxinas.
Añadir temperatura, meteorología y mediciones de pigmentos puede hacer que la interpretación sea más específica. La investigación también ha demostrado que es posible predecir la dinámica de las cianobacterias a partir de conjuntos de datos ambientales incompletos, aunque el rendimiento resultante sigue dependiendo de las variables, los lugares y la estrategia de validación utilizados (Fournier et al., 2024).
La distinción operativa segura es esta: los modelos basados únicamente en DO pueden predecir el riesgo de falta de oxígeno, pero no diagnostican directamente una floración.
Lo que realmente ve un sensor de clorofila-a
La clorofila-a está presente en el fitoplancton que produce oxígeno, incluidas tanto las algas eucariotas como las cianobacterias. Por ello, la fluorescencia de la clorofila-a se utiliza ampliamente como indicador indirecto de la abundancia o la actividad general del fitoplancton.
La expresión clave es indicador indirecto. Un fluorómetro no cuenta organismos. Emite luz a longitudes de onda seleccionadas y mide la luz que emiten los pigmentos excitados. La relación entre esa señal óptica y la biomasa real puede variar según:
- Las especies y la composición de la comunidad.
- El tamaño celular, las colonias y el contenido de pigmentos.
- El estado fisiológico y la exposición reciente a la luz.
- La extinción no fotoquímica.
- La temperatura y la materia orgánica disuelta.
- Las partículas en suspensión.
- La geometría, el rango y la calibración del sensor.
Las cianobacterias también contienen clorofila-a, pero los fluorómetros CHL convencionales pueden no representarlas del mismo modo que a las algas verdes u otros organismos del fitoplancton, porque los pigmentos accesorios y la organización celular afectan a la respuesta óptica.
Por ello, la guía de campo del USGS considera la fluorescencia in situ un indicador operativo que exige una calibración adaptada al objetivo, pruebas de interferencia, limpieza y control de calidad, y no una medida absoluta de la biomasa (Foster et al., 2022). Una evaluación de campo realizada en los Finger Lakes también demostró la importancia de compararla con muestras discretas y de comprender el rendimiento específico de cada sensor (Johnston et al., 2024).
DO + CHL resulta, por tanto, útil cuando la pregunta es: ¿están cambiando las dinámicas generales del fitoplancton al mismo tiempo que el ciclo del oxígeno?
Qué aporta un sensor CYANO
En la monitorización de agua dulce, un fluorómetro CYANO suele medir ficocianina, un pigmento accesorio estrechamente asociado a las cianobacterias. Esto hace que este canal sea más selectivo para las cianobacterias de agua dulce que una medición general de clorofila-a.
Pero no convierte la señal en una medida exclusiva ni absoluta. La respuesta varía entre especies de cianobacterias porque difieren el contenido de pigmentos, la disposición celular y el estado fisiológico. Las algas verdes, el material en suspensión, la materia orgánica natural, la luz ambiental y la temperatura también pueden influir en la lectura.
Choo et al. (2018) ensayaron varios fluorómetros in situ con cultivos de cianobacterias, interferencia de algas verdes y turbidez añadida. Los instrumentos funcionaron bien en monocultivos controlados, pero las interferencias podían generar tanto sobreestimaciones como subestimaciones, según el instrumento y las condiciones.
Ma et al. (2022) observaron que la materia orgánica natural y el aumento de la temperatura podían reducir las lecturas de ficocianina. Sus resultados de campo también mostraron que la relación entre la fluorescencia y el biovolumen de cianobacterias dependía en parte de los organismos dominantes y del contexto ambiental.
Por tanto, una señal CYANO es más específica que CHL cuando la preocupación concreta son las cianobacterias de agua dulce o salobre, pero no identifica especies ni mide el número de células o las toxinas.
La precisión «de agua dulce» es importante. No debe suponerse automáticamente que un canal CYANO basado en la fluorescencia de la ficocianina representa la comunidad responsable de las floraciones en lugares mar adentro o de agua salobre. Las comunidades marinas y salobres pueden incluir cianobacterias ricas en ficoeritrina y numerosas microalgas eucariotas nocivas que exigen otro canal óptico, microscopía, análisis molecular o pruebas de toxinas. La elección del sensor debe responder a los organismos y pigmentos relevantes en cada lugar, no solo a la palabra «algas» (Foster et al., 2022; McKergow, 2025).
DO + CYANO resulta útil cuando la pregunta es: ¿está cambiando una señal asociada a la ficocianina al mismo tiempo que el riesgo de falta de oxígeno?
DO + CHL + CYANO resulta útil cuando la pregunta es: ¿está cambiando el conjunto de la comunidad fitoplanctónica, su componente de cianobacterias o ambos?
Turbidez: la señal que ayuda a interpretar otras señales
La turbidez resulta interesante precisamente porque la fluorescencia es una medición óptica.
Las partículas en suspensión dispersan y absorben la luz. Pueden afectar tanto a la luz de excitación enviada al agua como a la luz fluorescente que regresa al detector. Según el tipo y la concentración de partículas y la geometría del instrumento, el resultado puede ser atenuación, dispersión adicional, pérdida de linealidad o un sesgo de medición positivo o negativo.
En términos prácticos, un aumento de CHL o CYANO puede quedar parcialmente enmascarado —o parecer amplificado— cuando cambia el entorno óptico. Por tanto, un canal de turbidez simultáneo puede:
- Señalar los periodos en los que la fluorescencia es menos fiable.
- Ayudar a distinguir las tendencias de los pigmentos de los episodios de sedimentos o resuspensión.
- Aportar una variable a un modelo de corrección calibrado localmente.
- Mejorar las reglas automatizadas de control de calidad.
Sin embargo, la turbidez no compensa automáticamente la fluorescencia. Una floración puede aumentar por sí misma la turbidez, y una biomasa densa puede provocar autosombreado o atenuación óptica que un valor independiente de turbidez no describe por completo. La dirección y la magnitud de la corrección deben determinarse con el sensor real y con muestras representativas del lugar (Foster et al., 2022; Choo et al., 2018; McKergow, 2025).
La turbidez se interpreta mejor como contexto y control de calidad: puede revelar cuándo la fluorescencia está enmascarada o distorsionada, pero no convierte CHL o CYANO en una medición directa de la biomasa.
Cómo elegir el conjunto mínimo de monitorización que resulte útil
Escenario 1: la prioridad es prevenir el estrés agudo de los peces por falta de oxígeno
Empiece por DO + temperatura. Esta combinación mide el estado inmediato del oxígeno, su tendencia y la respuesta a la aireación. No identifica la causa de un descenso.
Escenario 2: la prioridad es anticipar el riesgo de falta de oxígeno
Utilice DO + temperatura + un historial local suficiente. Un modelo de predicción validado puede estimar la trayectoria probable y el tiempo que queda antes de alcanzar un umbral de gestión.
Escenario 3: importan las dinámicas algales generales
Añada CHL. Proporciona un indicador indirecto de los cambios en el conjunto de la comunidad fitoplanctónica. Se necesitan muestras específicas del lugar para relacionar la fluorescencia con la biomasa o la concentración de clorofila.
Escenario 4: las cianobacterias de agua dulce son una preocupación específica
Añada CYANO. Proporciona una señal asociada a la ficocianina más selectiva, pero no información sobre especies, número de células o toxinas.
Escenario 5: el operador necesita separar las tendencias generales de las algas de las tendencias de las cianobacterias
Utilice DO + temperatura + CHL + CYANO. Los dos canales de pigmentos pueden interpretarse conjuntamente mientras el DO registra la condición directamente relevante para los peces.
Escenario 6: los sedimentos, la escorrentía o la resuspensión cambian con frecuencia
Añada turbidez a la configuración pertinente. Puede identificar cambios en las condiciones ópticas y respaldar correcciones validadas localmente.
Escenario 7: hay toxinas o decisiones de salud pública implicadas
Utilice sensores continuos para orientar un muestreo representativo. Ningún fluorómetro CHL o CYANO sustituye la identificación de especies ni el análisis de toxinas.
Escenario 8: el emplazamiento está mar adentro o en aguas salobres
Añada conductividad o salinidad y seleccione los canales de pigmentos en función de la comunidad fitoplanctónica relevante en ese lugar. En estos entornos, los cambios de masas de agua, las mareas y las corrientes pueden dominar la señal, mientras que un canal de ficocianina para agua dulce puede no ser el indicador más informativo de una floración.
Cómo cambia el marco según el sistema de producción
Piscicultura en aguas interiores
Los estanques y tanques de interior comparten buena parte del ciclo de oxígeno de un lago de pesca, pero la densidad de población, la alimentación y la materia orgánica acumulada pueden intensificar la demanda de oxígeno y hacer más inmediata la intervención operativa. DO + temperatura sigue siendo la referencia básica; CHL, CYANO y turbidez se añaden cuando la dinámica de las floraciones o los cambios en las condiciones ópticas afectan a la gestión. En sistemas intensivos, el pH y el amoníaco también pueden ser importantes, aunque queden fuera de la comparación más acotada de sensores que desarrollamos aquí.
La predicción es especialmente accionable porque a menudo pueden activarse directamente aireadores, bombas u oxígeno suplementario. El estudio de estanques utilizado por Eze y Ajmal (2020) ilustra el potencial de la predicción de DO específica de cada lugar, mientras que Shoko et al. (2014) muestran por qué importa la hora de la medición en estanques de tierra con peces.
Piscicultura mar adentro
Las jaulas mar adentro suelen experimentar una renovación mayor que un estanque interior, por lo que la dinámica del oxígeno puede depender de las corrientes, las mareas, las masas de agua, la biomasa de la jaula, la alimentación y la distribución vertical de los peces, en lugar de seguir un único ciclo repetitivo de estanque. La referencia básica debería incluir normalmente DO, temperatura y salinidad o conductividad, con los sensores situados a profundidades biológicamente relevantes. Las mediciones aguas arriba, dentro o aguas abajo de una jaula responden a preguntas distintas.
CHL puede ofrecer un contexto general sobre el fitoplancton, pero un canal CYANO para agua dulce no es un sensor universal de floraciones algales nocivas marinas (HAB). El historial local de floraciones y el muestreo específico de los organismos siguen siendo esenciales. Se reconoce que las condiciones ambientales —entre ellas el oxígeno, la temperatura, la salinidad, las corrientes y la luz— determinan el comportamiento y la distribución de los peces en jaulas marinas (Oppedal et al., 2011).
Cultivo de mejillones, especialmente en aguas salobres
Para los mejillones, el fitoplancton es a la vez alimento y posible peligro. CHL puede proporcionar un indicador general de la disponibilidad de fitoplancton, mientras que la turbidez ayuda a distinguir los cambios en las condiciones ópticas y el material inorgánico en suspensión de una simple tendencia de los pigmentos. Ninguna de las dos señales describe por sí sola la calidad del alimento.
Los emplazamientos salobres son especialmente dinámicos porque los aportes de agua dulce, los gradientes de salinidad, las mareas y la estratificación pueden modificar rápidamente las condiciones de oxígeno y la composición de la comunidad. Por tanto, una referencia básica práctica es temperatura + conductividad/salinidad + DO, añadiendo CHL y turbidez para aportar contexto sobre el fitoplancton y las partículas. Solo debería elegirse un canal específico de un pigmento después de identificar los organismos relevantes en ese lugar.
Algunas microalgas nocivas pueden contaminar los moluscos incluso cuando DO, CHL y el aspecto visible del agua no parecen anómalos. Los sensores continuos pueden orientar la atención y el muestreo, pero no sustituyen la identificación de especies, el análisis de biotoxinas marinas ni el programa de seguridad de moluscos aplicable (Shumway, 1990).
Lo que puede pasar por alto un único punto de medición
Un sensor mide el agua que lo rodea, no toda la masa de agua ni toda la explotación.
Un sensor de superficie puede no detectar un nivel de oxígeno más bajo cerca del fondo. Un sensor situado junto a un aireador puede registrar su efecto local en lugar de representar el hábitat más amplio de los peces. Las bahías protegidas, los aportes de agua y las zonas más profundas pueden seguir trayectorias distintas.
En el mar, la ubicación también debe interpretarse en relación con la corriente dominante, la geometría de la jaula y la profundidad a la que se encuentran los peces. En una línea de cultivo o una batea de mejillones, las condiciones pueden diferir entre la superficie y la profundidad inferior de cultivo, mientras que un cambio de marea puede invertir qué lado de la explotación queda aguas arriba y cuál aguas abajo.
Por tanto, el diseño del despliegue debería tener en cuenta:
- Dónde se encuentran los peces o los organismos cultivados en condiciones cálidas.
- La profundidad y la probabilidad de estratificación.
- Las entradas, las salidas y las zonas resguardadas.
- La posición y la influencia de los aireadores.
- Si se necesita más de una profundidad o ubicación.
La bioincrustación y los sedimentos depositados también pueden crear tendencias falsas. La limpieza, la inspección, las comprobaciones de calibración y las muestras discretas tomadas en paralelo no son extras opcionales: forman parte del sistema de medición. Tanto las guías del USGS como las del NIWA hacen hincapié en adaptar el funcionamiento del sensor y el aseguramiento de la calidad al uso previsto de los datos (Foster et al., 2022; McKergow, 2025).
Al entrenar un modelo de aprendizaje automático con datos de varios sensores y series temporales extensas, cabe esperar predicciones significativamente mejores que las obtenidas con modelos basados únicamente en DO.
La trampa del horario: por qué el nivel más bajo de oxígeno suele llegar antes del amanecer
Ahora podemos volver al lago que parecía tranquilizador por la tarde.
Durante el día, las algas, las cianobacterias y las plantas acuáticas realizan la fotosíntesis y aportan oxígeno al agua. En sistemas productivos, esta producción biológica puede superar temporalmente el consumo de oxígeno y generar una lectura vespertina impresionante.
Tras la puesta del sol se detiene la fotosíntesis, pero no la respiración: los peces, las plantas, el plancton y los microorganismos siguen consumiendo oxígeno. Por tanto, la concentración puede disminuir durante toda la noche hasta que vuelve la luz y se reinicia la producción fotosintética.
Por eso el mínimo diario suele producirse al amanecer o poco antes, y no durante la parte más calurosa y visible del día. Las mediciones realizadas en estanques de tierra para peces han mostrado valores de DO significativamente menores desde medianoche hasta el periodo anterior al amanecer que por la tarde (Shoko et al., 2014). De forma similar, la monitorización de alta frecuencia del eutrófico lago Taihu registró mínimos recurrentes en torno a las 05:00–06:00, junto con marcadas dinámicas estacionales y entre el día y la noche (Xie et al., 2025).
Este patrón es especialmente relevante en lagos y estanques interiores productivos y relativamente cerrados. No debe imponerse sin más a una jaula mar adentro con una buena renovación, donde las mareas, las corrientes y el paso de masas de agua pueden determinar el mínimo, ni a una laguna salobre, donde pueden ser importantes tanto la biología diaria como el intercambio mareal. Los datos locales continuos revelan qué reloj gobierna realmente cada lugar.
Las floraciones pueden ampliar esta oscilación diaria. Una población densa puede producir una cantidad considerable de oxígeno durante el día y consumirlo mediante la respiración nocturna. Si la floración colapsa, la descomposición puede añadir una demanda adicional de oxígeno.
La lectura de la tarde no era necesariamente incorrecta. Sencillamente respondía a la pregunta equivocada.
La pregunta operativa no es «¿Cuál es el nivel de oxígeno mientras estoy junto al lago?», sino «¿Cuál será el nivel mínimo de oxígeno antes de que comience la siguiente recuperación?»
De la predicción a la intervención
Un sistema de alerta útil puede combinar el valor de DO medido, su velocidad actual de descenso, el mínimo previsto, la incertidumbre de la predicción y un nivel de intervención específico para el lugar.
En un lago de pesca o una piscifactoría interior, esa alerta puede dar tiempo para activar la aireación, la circulación o el aporte suplementario de oxígeno antes de que aparezcan signos visibles de sufrimiento en los peces. Mar adentro, puede orientar la alimentación, la oxigenación u otras decisiones de gestión de las jaulas. En el cultivo de mejillones, puede desencadenar un muestreo dirigido, una inspección o decisiones relacionadas con la cosecha, en lugar de intentar controlar la masa de agua circundante.
Después, la monitorización debe continuar. Los datos posteriores a la intervención muestran si las condiciones mejoraron realmente, con qué rapidez cambiaron y si la ubicación elegida para el sensor representa a los organismos que se gestionan.
Herramientas operativas
Para conocer herramientas de monitorización operativa, eche un vistazo a nuestras boyas netH₂O: la B100-5 para emplazamientos interiores y la B400-10 para instalaciones costeras y mar adentro más exigentes.
Conclusiones
- DO + temperatura constituye la base para gestionar el riesgo de falta de oxígeno para los peces.
- El historial de DO puede respaldar predicciones específicas de cada lugar sobre el descenso del oxígeno, pero el DO por sí solo no diagnostica floraciones.
- CHL es un indicador indirecto de las dinámicas generales del fitoplancton.
- Un canal CYANO para agua dulce es más selectivo para las cianobacterias, pero no mide directamente especies, células ni toxinas.
- Los emplazamientos mar adentro y salobres también requieren el contexto de la salinidad o la conductividad, y el canal de pigmentos relevante en ese lugar puede no ser la ficocianina.
- En el cultivo de mejillones, los sensores continuos pueden orientar la atención y el muestreo, pero no sustituyen la vigilancia de biotoxinas marinas.
- La turbidez puede revelar interferencias ópticas y respaldar una corrección solo después de una validación local.
- En sistemas de agua dulce, DO + CHL + CYANO está justificado cuando separar las tendencias generales de las algas de las tendencias de las cianobacterias cambiará una decisión de gestión.
- La ubicación, la limpieza y las muestras representativas siguen siendo esenciales.
- La medición de oxígeno más reveladora puede ser la que se realiza cuando casi nadie está en el lugar.
Referencias
- Choo, F.; Zamyadi, A.; Newton, K.; Newcombe, G.; Bowling, L.; Stuetz, R.; Henderson, R.K. (2018). “Performance evaluation of in situ fluorometers for real-time cyanobacterial monitoring.” H2Open Journal, 1(1), 26–46. https://doi.org/10.2166/h2oj.2018.009.
- Eze, E.; Ajmal, T. (2020). “Dissolved Oxygen Forecasting in Aquaculture: A Hybrid Model Approach.” Applied Sciences, 10, 7079. https://doi.org/10.3390/app10207079.
- Foster, G.M.; Graham, J.L.; Bergamaschi, B.A.; Carpenter, K.D.; Downing, B.D.; Pellerin, B.A.; Rounds, S.A.; Saraceno, J.F. (2022). Field Techniques for the Determination of Algal Pigment Fluorescence in Environmental Waters—Principles and Guidelines for Instrument and Sensor Selection, Operation, Quality Assurance, and Data Reporting. U.S. Geological Survey Techniques and Methods, Book 1, Chapter D10. https://doi.org/10.3133/tm1D10.
- Fournier, C.; Fernandez-Fernandez, R.; Cirés, S.; López-Orozco, J.A.; Besada-Portas, E.; Quesada, A. (2024). “LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data.” Water Research, 267, 122553. https://doi.org/10.1016/j.watres.2024.122553.
- Johnston, B.D.; Finkelstein, K.M.; Gifford, S.R.; Stouder, M.D.; Nystrom, E.A.; Savoy, P.R.; Rosen, J.J.; Jennings, M.B. (2024). Evaluation of Sensors for Continuous Monitoring of Harmful Algal Blooms in the Finger Lakes Region, New York, 2019 and 2020. U.S. Geological Survey Scientific Investigations Report 2024-5010. https://doi.org/10.3133/sir20245010.
- Ma, L.; Moradinejad, S.; Guerra Maldonado, J.F.; Zamyadi, A.; Dorner, S.; Prévost, M. (2022). “Factors Affecting the Interpretation of Online Phycocyanin Fluorescence to Manage Cyanobacteria in Drinking Water Sources.” Water, 14, 3749. https://doi.org/10.3390/w14223749.
- McKergow, L. (2025). Algal Fluorescence Sensor Selection. High Frequency Water Quality Monitoring Guidance, NIWA Client Report 2025313HN. PDF de la guía oficial.
- Oppedal, F.; Dempster, T.; Stien, L.H. (2011). “Environmental drivers of Atlantic salmon behaviour in sea-cages: A review.” Aquaculture, 311(1–4), 1–18. https://doi.org/10.1016/j.aquaculture.2010.11.020.
- Shumway, S.E. (1990). “A review of the effects of algal blooms on shellfish and aquaculture.” Journal of the World Aquaculture Society, 21(2), 65–104. https://doi.org/10.1111/j.1749-7345.1990.tb00529.x.
- Shoko, A.P.; Limbu, S.M.; Mrosso, H.D.J.; Mgaya, Y.D. (2014). “A comparison of diurnal dynamics of water quality parameters in Nile tilapia monoculture and polyculture with African sharp tooth catfish in earthen ponds.” International Aquatic Research, 6, 56. https://doi.org/10.1007/s40071-014-0056-8.
- Xie, D.; Chen, X.; Qian, Y.; Feng, Y. (2025). “Prolonged Summer Daytime Dissolved Oxygen Recovery in a Eutrophic Lake: High-Frequency Monitoring Diel Evidence from Taihu Lake, China.” Water, 17(22), 3221. https://doi.org/10.3390/w17223221.