Nowadays, artificial intelligence model approaches such as machine and deep learning have been widely used to predict variations of water quality in various freshwater bodies. In particular, many researchers have tried to predict the occurrence of cyanobacterial blooms in inland water, which pose a threat to human health and aquatic ecosystems. Therefore, the objective of this study were to: 1) review studies on the application of machine learning models for predicting the occurrence of cyanobacterial blooms and its metabolites and 2) prospect for future study on the prediction of cyanobacteria by machine learning models including deep learning. In this study, a systematic literature search and review were conducted using SCOPUS, which is Elsevier’s abstract and citation database. The key results showed that deep learning models were usually used to predict cyanobacterial cells, while machine learning models focused on predicting cyanobacterial metabolites such as concentrations of microcystin, geosmin, and 2-methylisoborneol (2-MIB) in reservoirs. There was a distinct difference in the use of input variables to predict cyanobacterial cells and metabolites. The application of deep learning models through the construction of big data may be encouraged to build accurate models to predict cyanobacterial metabolites.
1996년과 1997년에 남조류가 발생한 여러 호수에서 microcystin-RR, microcystin-LR, microcystin-YR의 함량을 정량하였고, 쥐를 이용하여 독성 검사를 실시하였다. 소양호를 제외한 모든 호수에서 Microcystis속의 종 들이 우점하였으며 전체 남조류 발생 호수의 시료에 대한 독소 검출의 빈도는 85%이였다. 조류세포내 총 microcystin의 함량은 0.29~2.61 mg/g이었으며 수중의 농도로 환산하면 0.4~21.6 μg/l이였다. 독소 함량은 1996년 보다 1997년에 높았고, 세 종류의 microcystin중 microcystin-RR이 가장 많이 검출되었다. 각 시료의 쥐에 대한 LD50은 총 microcystin함량과 LD50의 상관관계식에 의해 계산되었다. 화학분석에 의해 microcystin이 검출된 시료의 추출물이 주입되었을 때 쥐의 치사효과가 나타난 것으로 보아 microcystin 함량의 화학분석결 과와 bioassay 결과는 잘 일치하는 것으로 보이며, 영랑호 시료를 대상으로 실측한 LD50은 경험식으로 계산된 LD50과 일치하였다. 대상호수의 LD50은 27~338 mg/kg 의 범위로서 국내외에서 보고된 것에 비하여 높은 독성을 나타냈다.