Alle quattro del pomeriggio, un lago per la pesca sportiva può sembrare rassicurante. L’acqua è calda, i pesci possono essere ancora attivi e una misura dell’ossigeno disciolto vicino alla superficie può apparire del tutto accettabile. Eppure il lago potrebbe già avviarsi verso la fase più critica del proprio ciclo giornaliero dell’ossigeno, proprio quando sono in pochi a osservarlo.
Caldo, ossigeno disciolto, alghe e cianobatteri sono collegati, ma non da un’unica e semplice catena di causa ed effetto. Il sistema di monitoraggio più utile, quindi, non è necessariamente quello con il maggior numero di sensori. È quello che risponde alle domande concrete del gestore:
Lo stesso problema di misura si presenta nei laghi per la pesca sportiva, negli allevamenti ittici in acque interne, nelle gabbie offshore e negli impianti di mitilicoltura. I processi fisici e biologici di base sono comuni; cambiano il grado di ricambio dell’acqua, la densità di allevamento, la salinità, l’esposizione e l’obiettivo biologico.
- L’ossigeno sta raggiungendo livelli pericolosi per i pesci?
- L’attività biologica contribuisce al cambiamento?
- I cianobatteri — o un altro gruppo localmente rilevante nelle fioriture — stanno diventando più abbondanti?
- È possibile riconoscere la tendenza abbastanza presto da intervenire?
Questo post esamina ciò che le misure di ossigeno disciolto, clorofilla-a, cianobatteri, torbidità e salinità possono — e non possono — dirci nei laghi di pesca, negli allevamenti ittici in acque interne e offshore e negli impianti di mitilicoltura in acque salmastre o marine. Nelle sezioni finali torneremo alla questione dell’orario: quando è generalmente maggiore il rischio legato all’ossigeno e perché un controllo pomeridiano può non rilevarlo?
Il caldo modifica il bilancio dell’ossigeno
Quando l’acqua si riscalda, diminuisce la sua capacità di trattenere ossigeno disciolto. Nel frattempo prosegue la respirazione di pesci e microrganismi, mentre la domanda biologica di ossigeno può aumentare. Un periodo caldo e senza vento può inoltre rafforzare la stratificazione termica, riducendo gli scambi tra l’acqua superficiale ossigenata e gli strati più profondi.
Questi meccanismi non agiscono allo stesso modo in tutti i laghi di pesca, negli impianti di acquacoltura o negli allevamenti di mitili. Profondità, esposizione al vento, trasparenza dell’acqua, carico organico, densità di pesci o mitili e geometria del bacino concorrono a determinare il risultato. Anche in acque relativamente basse possono svilupparsi differenze verticali o spaziali importanti.
È il primo motivo per cui una singola misura occasionale costituisce un’evidenza debole. Una lettura descrive un luogo e un momento; non indica in quale direzione stia evolvendo il sistema.
Il primo sensore non è un «sensore per le alghe»
Se l’obiettivo gestionale è proteggere i pesci o i mitili, l’ossigeno disciolto è il punto di partenza logico. È la variabile ambientale direttamente collegata alla disponibilità immediata di ossigeno per gli organismi acquatici.
Di norma, insieme all’ossigeno va misurata la temperatura. La temperatura influenza la solubilità dell’ossigeno, il metabolismo dei pesci, il rimescolamento e l’interpretazione sia della concentrazione di ossigeno sia della percentuale di saturazione.
Nei siti offshore e in acque salmastre, anche la conducibilità o la salinità devono far parte del monitoraggio di base. La salinità influenza la solubilità dell’ossigeno e aiuta a riconoscere apporti di acqua dolce, stratificazione e cambiamenti delle masse d’acqua. Nella mitilicoltura offre inoltre un contesto importante per le condizioni di filtrazione e i cambiamenti della comunità fitoplanctonica.
Una serie continua di DO e temperatura comincia a rispondere a domande operative che una misura puntuale non può affrontare:
- Quanto sono ampie le oscillazioni ricorrenti dell’ossigeno?
- Il valore minimo si sta abbassando progressivamente?
- Con quale rapidità sta diminuendo l’ossigeno?
- La colonna d’acqua si comporta in modo uniforme?
- L’aeratore ha prodotto la risposta attesa?
Il livello di allarme appropriato dipende dal sito e dagli organismi gestiti. Contano la specie, lo stadio vitale, la densità di popolamento, la temperatura dell’acqua e la durata dell’esposizione. La velocità della variazione può essere importante quanto una soglia fissa: un valore in rapida diminuzione può giustificare un intervento prima che venga raggiunto il livello di allarme.
L’IA può prevedere un calo dell’ossigeno usando soltanto il DO?
In alcuni casi sì, purché si definisca con precisione ciò che si intende prevedere.
Una serie temporale di DO sufficientemente lunga e regolare contiene informazioni sui cicli ricorrenti e sulla risposta del sito alle condizioni precedenti. I modelli di serie temporali e di apprendimento automatico possono apprendere questi schemi e stimare l’evoluzione futura del DO. Eze e Ajmal (2020), per esempio, hanno ottenuto previsioni incoraggianti a breve e più lungo termine da una serie di DO misurata in un bacino di acquacoltura, mediante un approccio ibrido EEMD–LSTM.
Questo non significa che un modello addestrato in un sito possa essere semplicemente trasferito altrove. Una previsione utile per la gestione richiede dati locali, prove fuori campione e una validazione continua al variare delle stagioni e delle condizioni del sito.
Anche la sola storia del DO può contenere schemi compatibili con un’elevata produttività biologica o con l’attività di una fioritura. Non può però stabilirne in modo affidabile la causa. Non può dire al gestore se predominino le alghe o i cianobatteri, quali specie siano presenti o se vengano prodotte tossine.
L’aggiunta di temperatura, dati meteorologici e misure dei pigmenti può rendere l’interpretazione più specifica. La ricerca ha inoltre dimostrato che è possibile prevedere la dinamica dei cianobatteri anche da serie ambientali incomplete; le prestazioni ottenute restano tuttavia dipendenti dalle variabili, dai siti e dalla strategia di validazione impiegati (Fournier et al., 2024).
La distinzione operativa prudente è questa: i modelli basati sul solo DO possono prevedere il rischio di carenza di ossigeno. Non diagnosticano direttamente una fioritura.
Che cosa vede davvero un sensore di clorofilla-a
La clorofilla-a è presente nel fitoplancton fotosintetico, comprese le alghe eucariotiche e i cianobatteri. La fluorescenza della clorofilla-a è quindi ampiamente utilizzata come indicatore indiretto dell’abbondanza o dell’attività complessiva del fitoplancton.
Le parole importanti sono indicatore indiretto. Un fluorimetro non conta gli organismi: emette luce a determinate lunghezze d’onda e misura quella emessa dai pigmenti eccitati. La relazione tra il segnale ottico e la biomassa effettiva può cambiare in funzione di:
- Specie presenti e composizione della comunità.
- Dimensioni delle cellule, formazione di colonie e contenuto di pigmenti.
- Stato fisiologico ed esposizione recente alla luce.
- Quenching non fotochimico.
- Temperatura e materia organica disciolta.
- Particelle sospese.
- Geometria, intervallo di misura e calibrazione del sensore.
Anche i cianobatteri contengono clorofilla-a, ma i fluorimetri CHL convenzionali possono non rappresentarli nello stesso modo delle alghe verdi o di altro fitoplancton, perché i pigmenti accessori e l’organizzazione cellulare influenzano la risposta ottica.
Le linee guida operative dell’USGS considerano quindi la fluorescenza misurata in situ un indicatore operativo indiretto, che richiede una calibrazione commisurata all’obiettivo, prove delle interferenze, pulizia e garanzia della qualità, anziché una misura assoluta della biomassa (Foster et al., 2022). Anche la valutazione sul campo condotta nei Finger Lakes ha dimostrato l’importanza del confronto con campioni discreti e della conoscenza delle prestazioni specifiche del sensore (Johnston et al., 2024).
DO + CHL è quindi utile quando la domanda è: le dinamiche complessive del fitoplancton stanno cambiando insieme al ciclo dell’ossigeno?
Che cosa aggiunge un sensore CYANO
Nel monitoraggio delle acque dolci, un fluorimetro CYANO rileva comunemente la ficocianina, un pigmento accessorio fortemente associato ai cianobatteri. Questo rende il canale più selettivo per i cianobatteri d’acqua dolce rispetto a una misura generale della clorofilla-a.
Il segnale, però, non diventa per questo esclusivo né assoluto. La risposta varia tra le specie di cianobatteri, perché cambiano il contenuto di pigmenti, la disposizione delle cellule e lo stato fisiologico. Anche alghe verdi, materiale sospeso, materia organica naturale, luce ambiente e temperatura possono influenzare la lettura.
Choo et al. (2018) hanno valutato diversi fluorimetri in situ su colture di cianobatteri, in presenza di interferenza da alghe verdi e di torbidità aggiunta. Gli strumenti hanno fornito buoni risultati nelle monocolture controllate, ma le interferenze potevano produrre sovrastime o sottostime a seconda dello strumento e delle condizioni.
Ma et al. (2022) hanno riscontrato che la materia organica naturale e l’aumento della temperatura potevano ridurre le letture della ficocianina. I risultati sul campo hanno inoltre mostrato che la relazione tra fluorescenza e biovolume dei cianobatteri dipendeva in parte dagli organismi dominanti e dal contesto ambientale.
Un segnale CYANO è quindi più mirato del CHL quando l’attenzione è rivolta specificamente ai cianobatteri presenti in acque dolci o salmastre; non equivale però all’identificazione della specie, al conteggio delle cellule o alla misura delle tossine.
La distinzione relativa alle acque dolci è importante. Non si deve presumere automaticamente che un canale CYANO basato sulla fluorescenza della ficocianina rappresenti la comunità responsabile delle fioriture nei siti offshore o salmastri. Le comunità marine e salmastre possono includere cianobatteri ricchi di ficoeritrina e molte microalghe eucariotiche nocive, per le quali servono un diverso canale ottico, la microscopia, analisi molecolari o analisi delle tossine. La scelta dei sensori deve seguire gli organismi e i pigmenti localmente rilevanti, non la sola parola «alghe» (Foster et al., 2022; McKergow, 2025).
DO + CYANO è utile quando la domanda è: un segnale associato alla ficocianina sta cambiando nello stesso periodo in cui varia il rischio legato all’ossigeno?
DO + CHL + CYANO è utile quando la domanda è: sta cambiando l’intera comunità fitoplanctonica, la componente cianobatterica o entrambe?
Torbidità: il segnale che aiuta a interpretare gli altri segnali
La torbidità è interessante proprio perché la fluorescenza è una misura ottica.
Le particelle sospese diffondono e assorbono la luce. Possono influenzare sia la luce di eccitazione inviata nell’acqua, sia quella fluorescente che ritorna al rivelatore. A seconda del tipo e della concentrazione delle particelle e della geometria dello strumento, si possono avere attenuazione, maggiore diffusione, perdita di linearità oppure una distorsione positiva o negativa della misura.
In termini pratici, quando cambia l’ambiente ottico un aumento di CHL o CYANO può essere in parte mascherato oppure apparire amplificato. Un canale di torbidità simultaneo può quindi:
- Segnalare i periodi nei quali la fluorescenza è meno affidabile.
- Aiutare a distinguere le tendenze dei pigmenti dagli eventi di sedimentazione o risospensione.
- Fornire un ingresso a un modello di correzione calibrato localmente.
- Migliorare le regole automatiche di controllo qualità.
La torbidità, tuttavia, non compensa automaticamente la fluorescenza. Una fioritura può aumentare essa stessa la torbidità, mentre una biomassa densa può causare auto-ombreggiamento o attenuazione ottica non descritti completamente da un valore di torbidità separato. La direzione e l’entità della correzione devono essere determinate usando il sensore effettivamente installato e campioni rappresentativi del sito (Foster et al., 2022; Choo et al., 2018; McKergow, 2025).
La torbidità va considerata soprattutto come informazione di contesto e strumento di controllo qualità: può indicare quando la fluorescenza rischia di essere mascherata o alterata, ma non può trasformare CHL o CYANO in una misura diretta della biomassa.
Scegliere la più piccola combinazione di monitoraggio che sia davvero utile
Scenario 1: la priorità è prevenire una sofferenza acuta da carenza di ossigeno
Iniziare con DO + temperatura. Questa combinazione misura la condizione immediata dell’ossigeno, la sua tendenza e la risposta all’aerazione. Non identifica la causa di una diminuzione.
Scenario 2: la priorità è anticipare l’allarme per l’ossigeno
Usare DO + temperatura + una serie storica locale sufficientemente ampia. Un modello di previsione validato può stimare la probabile evoluzione e il tempo che resta prima di raggiungere una soglia gestionale.
Scenario 3: contano le dinamiche algali complessive
Aggiungere CHL. Fornisce un indicatore indiretto dei cambiamenti nella comunità fitoplanctonica complessiva. Per collegare la fluorescenza alla biomassa o alla concentrazione di clorofilla sono necessari campioni specifici del sito.
Scenario 4: i cianobatteri d’acqua dolce sono un problema specifico
Aggiungere CYANO. Fornisce un segnale associato alla ficocianina più selettivo, ma non informazioni sulle specie, sul numero di cellule o sulle tossine.
Scenario 5: il gestore deve distinguere le tendenze generali delle alghe da quelle dei cianobatteri
Usare DO + temperatura + CHL + CYANO. I due canali dei pigmenti possono essere interpretati insieme, mentre il DO registra la condizione direttamente rilevante per i pesci.
Scenario 6: sedimenti, deflusso superficiale o risospensione cambiano frequentemente
Aggiungere la torbidità alla combinazione di sensori pertinente. Può individuare i cambiamenti delle condizioni ottiche e supportare correzioni validate localmente.
Scenario 7: sono coinvolte tossine o decisioni di sanità pubblica
Usare i sensori continui per guidare un campionamento rappresentativo. Nessun fluorimetro CHL o CYANO sostituisce l’identificazione delle specie o l’analisi delle tossine.
Scenario 8: il sito è offshore o salmastro
Aggiungere conducibilità o salinità e scegliere i canali dei pigmenti in funzione della comunità fitoplanctonica localmente rilevante. In questi ambienti, variazioni delle masse d’acqua, maree e correnti possono dominare il segnale, mentre un canale della ficocianina pensato per le acque dolci potrebbe non essere l’indicatore più informativo di una fioritura.
Come adattare il quadro ai diversi sistemi produttivi
Allevamento ittico in acque interne
Gli stagni e le vasche interne condividono gran parte del ciclo dell’ossigeno dei laghi di pesca, ma la densità di allevamento, l’alimentazione e l’accumulo di sostanza organica possono rendere più intensa la domanda di ossigeno e più urgente l’intervento operativo. DO + temperatura resta la combinazione di base; CHL, CYANO e torbidità si aggiungono quando la dinamica delle fioriture o il mutare delle condizioni ottiche incidono sulla gestione. Nei sistemi intensivi possono essere importanti anche pH e ammoniaca, pur restando fuori dal confronto più circoscritto tra sensori sviluppato in questo articolo.
La previsione è particolarmente utile sul piano operativo, perché spesso si possono attivare direttamente aeratori, pompe o sistemi di ossigenazione supplementare. Lo studio su un bacino utilizzato da Eze e Ajmal (2020) mostra il potenziale di una previsione del DO specifica per il sito, mentre lo studio di Shoko et al. (2014) dimostra perché l’orario della misura conti nei bacini in terra destinati all’allevamento ittico.
Allevamento ittico offshore
Le gabbie offshore sono generalmente esposte a un ricambio d’acqua maggiore rispetto a un bacino interno; la dinamica dell’ossigeno può quindi dipendere da correnti, maree, masse d’acqua, biomassa presente nella gabbia, alimentazione e distribuzione verticale dei pesci, anziché da un unico ciclo del bacino che si ripete. Il monitoraggio di base dovrebbe normalmente includere DO, temperatura e salinità o conducibilità, con sensori posizionati a profondità biologicamente rilevanti. Misure effettuate a monte, all’interno o a valle di una gabbia rispondono a domande diverse.
CHL può offrire un quadro generale del fitoplancton, ma un canale CYANO per acque dolci non è un sensore universale delle fioriture algali nocive marine (HAB). La storia locale delle fioriture e un campionamento mirato alle specie locali restano essenziali. Condizioni ambientali quali ossigeno, temperatura, salinità, correnti e luce sono fattori riconosciuti che influenzano il comportamento e la distribuzione dei pesci nelle gabbie marine (Oppedal et al., 2011).
Mitilicoltura, soprattutto in acque salmastre
Per i mitili, il fitoplancton è al tempo stesso alimento e potenziale fonte di rischio. CHL può fornire un indicatore generale della disponibilità di fitoplancton, mentre la torbidità aiuta a distinguere il cambiamento delle condizioni ottiche e del materiale inorganico sospeso da una semplice tendenza dei pigmenti. Nessuno dei due segnali, da solo, descrive la qualità dell’alimento.
I siti salmastri sono particolarmente dinamici perché apporti di acqua dolce, gradienti di salinità, maree e stratificazione possono cambiare rapidamente le condizioni dell’ossigeno e la composizione della comunità. Una combinazione di base pratica è quindi temperatura + conducibilità/salinità + DO, con CHL e torbidità aggiunti per fornire il contesto relativo al fitoplancton e alle particelle. Un canale specifico per un pigmento dovrebbe essere scelto soltanto dopo aver identificato gli organismi localmente rilevanti.
Alcune microalghe nocive possono contaminare i molluschi anche quando DO, CHL e l’aspetto dell’acqua non mostrano anomalie. I sensori continui possono indirizzare l’attenzione e il campionamento, ma non sostituiscono l’identificazione delle specie, l’analisi delle biotossine marine o il programma applicabile per la sicurezza dei molluschi (Shumway, 1990).
Che cosa può sfuggire a un solo punto di misura
Un sensore misura l’acqua che lo circonda, non l’intero corpo idrico né l’intero allevamento.
Un sensore in superficie può non rilevare una minore concentrazione di ossigeno vicino al fondo. Un sensore accanto a un aeratore può registrarne l’effetto locale, anziché le condizioni dell’habitat dei pesci nel suo insieme. Baie riparate, immissari e zone più profonde possono seguire andamenti diversi.
In mare, il posizionamento va interpretato anche rispetto alla corrente prevalente, alla geometria della gabbia e alla profondità degli organismi allevati. Lungo un filare o presso una zattera per la mitilicoltura, le condizioni possono differire tra la superficie e la quota di allevamento inferiore; con l’inversione della marea, inoltre, può cambiare quale parte dell’impianto si trova a monte e quale a valle.
La progettazione dell’installazione dovrebbe quindi considerare:
- Dove si trovano i pesci o gli organismi allevati durante i periodi caldi.
- La profondità e la probabilità di stratificazione.
- Immissari, emissari e zone riparate.
- La posizione e l’influenza degli aeratori.
- Se siano necessari più punti o più profondità di misura.
Anche il biofouling e il sedimento depositato possono creare false tendenze. Pulizia, ispezione, verifiche della calibrazione e campioni puntuali abbinati non sono accessori facoltativi: fanno parte del sistema di misura. Le linee guida dell’USGS e del NIWA sottolineano entrambe la necessità di adeguare il funzionamento del sensore e la garanzia della qualità all’uso previsto dei dati (Foster et al., 2022; McKergow, 2025).
Addestrando un modello di apprendimento automatico su serie temporali estese provenienti da più sensori, ci si può attendere previsioni sensibilmente migliori rispetto a quelle ottenute da modelli basati sul solo DO.
La trappola dell’orario: perché il minimo di ossigeno arriva spesso prima dell’alba
Possiamo ora tornare al lago che nel pomeriggio sembrava rassicurante.
Durante il giorno, alghe, cianobatteri e piante acquatiche svolgono la fotosintesi, aggiungendo ossigeno all’acqua. Nei sistemi produttivi, questa produzione biologica può superare temporaneamente il consumo di ossigeno e generare una lettura pomeridiana notevolmente alta.
Dopo il tramonto, la fotosintesi si arresta. La respirazione no: pesci, piante, plancton e microrganismi continuano a consumare ossigeno. La concentrazione può quindi diminuire per tutta la notte, finché ritorna la luce e riprende la produzione fotosintetica.
Per questo il minimo giornaliero si verifica comunemente all’alba o poco prima, non nella parte più calda e visibile della giornata. Misure effettuate in bacini di terra per l’allevamento ittico hanno rilevato valori di DO significativamente più bassi dalla mezzanotte al periodo precedente l’alba rispetto al pomeriggio (Shoko et al., 2014). Analogamente, il monitoraggio ad alta frequenza del lago eutrofico Taihu ha registrato minimi ricorrenti attorno alle 05:00–06:00, insieme a marcate dinamiche stagionali e giorno-notte (Xie et al., 2025).
Questo andamento è particolarmente rilevante nei laghi produttivi e relativamente chiusi e nei bacini interni. Non va applicato automaticamente a una gabbia offshore ben esposta al ricambio, dove maree, correnti e masse d’acqua in transito possono determinare il minimo, né a una laguna salmastra, dove possono contare sia la biologia giornaliera sia lo scambio mareale. Sono i dati locali continui a mostrare quale «orologio» governi davvero il sito.
Le fioriture possono ampliare questa oscillazione giornaliera. Una popolazione densa può produrre molto ossigeno alla luce del giorno e consumarlo con la respirazione durante la notte. Se la fioritura collassa, la decomposizione può aggiungere un’ulteriore domanda di ossigeno.
La lettura pomeridiana non era necessariamente errata. Semplicemente, rispondeva alla domanda sbagliata.
La domanda operativa non è: «Qual è il livello di ossigeno mentre mi trovo accanto al lago?». È: «Quale sarà il livello minimo di ossigeno prima che inizi il prossimo recupero?»
Dalla previsione all’intervento
Un sistema di allerta utile può combinare il valore di DO misurato, la sua attuale velocità di diminuzione, il minimo atteso, l’incertezza della previsione e un livello di intervento specifico per il sito.
In un lago di pesca o in un allevamento ittico interno, l’allerta può lasciare il tempo di attivare aerazione, ricircolo o ossigenazione supplementare prima che i pesci mostrino sofferenza. Offshore, può orientare l’alimentazione, l’ossigenazione o altre decisioni di gestione delle gabbie. Nella mitilicoltura può attivare campionamenti mirati, ispezioni o decisioni relative alla raccolta, anziché tentare di controllare il corpo idrico circostante.
Il monitoraggio deve poi continuare. I dati successivi all’intervento mostrano se le condizioni sono effettivamente migliorate, con quale rapidità sono cambiate e se la posizione scelta per il sensore rappresenta gli organismi gestiti.
Strumenti operativi
Per il monitoraggio operativo, date un’occhiata alle nostre boe netH₂O: la B100-5 per i siti interni e la B400-10 per le installazioni costiere e offshore più impegnative.
Conclusioni
- DO + temperatura costituisce la base per gestire il rischio di carenza di ossigeno per i pesci.
- La storia del DO può supportare previsioni del calo dell’ossigeno specifiche per il sito, ma il solo DO non diagnostica le fioriture.
- CHL è un indicatore indiretto delle dinamiche complessive del fitoplancton.
- Un canale CYANO per acqua dolce è più selettivo per i cianobatteri, ma non misura direttamente specie, cellule o tossine.
- Nei siti offshore e salmastri servono anche il contesto fornito da salinità o conducibilità e un canale per i pigmenti localmente rilevanti, che potrebbe non essere la ficocianina.
- Nella mitilicoltura, i sensori continui possono guidare l’attenzione e il campionamento, ma non sostituiscono la sorveglianza delle biotossine marine.
- La torbidità può rivelare interferenze ottiche e supportare una correzione solo dopo una validazione locale.
- Nei sistemi d’acqua dolce, DO + CHL + CYANO è giustificato quando distinguere le tendenze algali complessive da quelle dei cianobatteri può cambiare una decisione gestionale.
- Posizionamento, pulizia e campioni rappresentativi restano essenziali.
- La misura dell’ossigeno più informativa potrebbe essere quella rilevata quando sul sito non c’è quasi nessuno.
Riferimenti bibliografici
- 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 della guida ufficiale.
- 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.