Las acciones de conservación de la vida silvestre tienden a centrarse en lugares específicos porque los datos que las informan también tienden a estar altamente localizados.
Pero ¿qué pasaría si pudiéramos visualizar dónde estará una especie, o varias, en un momento determinado del año, a escalas vastas (incluso continentales)?
Un modelo de inteligencia synthetic desarrollado por investigadores de la Universidad de Cornell espera hacer precisamente eso, demostrando que puede ofrecer estimaciones de cuándo y dónde se encuentran las aves en América del Norte.
También puede brindar información sobre cómo las diferentes especies de aves interactúan entre sí y con el medio ambiente.
«Podemos observar no sólo especies individuales sino comunidades enteras, y obtener todo tipo de información sobre lo que podría estar impulsando la aparición de esas especies allí», dijo a Mongabay Courtney Davis, investigadora asociada del Laboratorio de Ornitología de Cornell, en un entrevista en vídeo.
«Esto tiene el potencial de proporcionar información de muy alta resolución a las personas que lideran la conservación, la gestión y la toma de decisiones sobre la biodiversidad en el terreno».
En un estudio del que fue coautora y publicado en la revista Ecology, Davis detalla cómo los investigadores utilizaron miles de millones de puntos de datos sobre avistamientos de aves recopilados por científicos ciudadanos y observadores de aves, junto con datos ecológicos, para entrenar el modelo.
Con la ayuda de «grandes conjuntos de datos ambientales y de observación», el equipo de investigadores demostró cómo estimaban «la diversidad y composición de especies a escala de paisaje en extensiones continentales».
«Uno de nuestros mayores desafíos fue tener medidas sólidas y precisas de dónde y cuándo ocurren las especies, y cuántas de ellas ocurren allí», dijo Davis. «Es realmente la tecnología la que nos permite hacer esto ahora y hacerlo de una manera computacionalmente eficiente y con alta resolución espacial y temporal».
Para empezar, Davis y su equipo recopilaron datos de observación de aves de eBird, una base de datos en línea donde los observadores de aves pueden registrar sus avistamientos. Utilizaron datos sobre 500 especies de aves de América del Norte proporcionados por 900.000 observadores de aves. Luego, el modelo se entrenó en varios factores que incluían la presencia y ausencia de especies en un lugar y momento determinados, junto con factores ambientales como la cobertura del suelo, los patrones de uso del suelo, indicadores de urbanización como luces nocturnas, elevación y otras medidas de topografía. Para tener en cuenta los errores, el equipo también recopiló información sobre quién estaba recopilando los datos y la duración y ubicación de sus actividades de observación de aves.
«Hay una medida que se desarrolló aquí en el laboratorio que nos permite tener en cuenta las diferencias en la forma en que las personas observan aves y sus niveles de habilidad», dijo Davis. “Por ejemplo, si salgo a observar aves y no soy muy buen observador de aves, eso es muy diferente a que salga uno de mis colegas que puede identificar todo lo que hay en el área mediante la vista o el sonido. Este índice nos permite corregir o tener en cuenta las diferencias en el comportamiento de los observadores de aves”.
Cualquier dato ambiental observacional se puede introducir en el modelo como entrada. Luego hace estimaciones sobre qué especies es possible que se encuentren y dónde. También realiza estimaciones sobre la probabilidad de que dos o más especies se encuentren juntas al mismo tiempo en las mismas condiciones ambientales, lo que permite a los investigadores crear mapas que identifican áreas que deben priorizarse con fines de conservación.
«Con este enfoque, obtenemos una capa adicional de información que nos cube algo sobre cómo las especies interactúan potencialmente entre sí en el espacio», dijo Davis. «También podemos usarlo para pensar en cómo es possible que los cambios en el medio ambiente impulsen cambios en la estructura de esa comunidad y observar los impactos de esos cambios en esa comunidad».
Por ejemplo, utilizando el modelo, los investigadores de Cornell pudieron observar y hacer predicciones sobre cuándo y dónde se encuentran las reinitas americanas, un grupo de aves migratorias. Las predicciones les ayudaron a comprender la estructura de la comunidad y cómo las diferentes especies de aves del grupo interactuaban entre sí.
«Pudimos ver que sus interacciones en la temporada de reproducción son muy diferentes de sus interacciones en la temporada migratoria o incluso en la temporada no reproductiva, en el sentido de que es más possible que esas especies coexistan con fuerza en el período migratorio que en la temporada de reproducción», Davis dicho. «De hecho, se puede empezar a desentrañar cómo esas interacciones afectan la estructura de la comunidad durante todo el año, lo cual también es bastante novedoso para este enfoque».
Por el momento, sin embargo, el modelo no está entrenado para estimar el número de aves en un lugar determinado. Davis dijo que eso es en lo que su equipo está trabajando actualmente. Sin embargo, no es una tarea fácil, especialmente cuando se trata de entrenar el modelo para realizar estimaciones de abundancia y al mismo tiempo conservar su capacidad para caracterizar cómo interactúan las diferentes especies entre sí.
“Uno de los mayores desafíos es pensar en cómo modelamos esas interacciones cuando analizamos los recuentos, porque en el sentido ecológico, cuando decimos interacciones entre especies, no se trata tanto de interacciones entre individuos de una especie determinada sino más bien de cómo estas especies están interactuando en el espacio y cómo se superponen sus distribuciones”, dijo. «Caracterizar ese proceso es mucho más difícil cuando se piensa en la abundancia en lugar de estimar la presencia o la ausencia».
Incluso mientras su equipo trabaja en esos desafíos, Davis dijo que tiene la esperanza de que el modelo pueda ayudar a los administradores e investigadores de la conservación a trabajar con mayor precisión para proteger los hábitats y comprender cómo factores como el cambio climático podrían afectar la distribución de las especies de aves.
«Podemos observar el ciclo anual completo, pero también las implicaciones de cómo se estructuran esas comunidades en el espacio», dijo. «Poder generar ese tipo de conocimiento en extensiones continentales, o incluso más grandes, es realmente emocionante y abre un nivel completamente nuevo de análisis potenciales».
Citación:
Davis, CL, Bai, Y., Chen, D., Robinson, O., Ruiz‐Gutiérrez, V., Gomes, CP y Fink, D. (2023). El aprendizaje profundo con datos de ciencia ciudadana permite estimar la diversidad y composición de las especies en extensiones continentales. Ecología. doi:10.1002/ecy.4175
Lo que puedes hacer
Apoyo ‘Luchando por la vida silvestre‘ donando tan solo $1: solo toma un minuto. Gracias.
Apoyos de Luchando por la Vida Silvestre organizaciones aprobadas para la conservación de la vida silvestre, que gastan al menos el 80 por ciento del dinero que recaudan en trabajo de campo actual, en lugar de administración y recaudación de fondos. Al hacer una donación, puedes designar para qué tipo de iniciativa se debe utilizar: vida silvestre, océanos, bosques o clima.
Este artículo de Abhishyant Kidangoor fue publicado por primera vez por Mongabay.com el 8 de noviembre de 2023. Imagen principal: Un colibrí de Allen macho (Selasphorus sasin). Imagen de Andrej Chudý vía Flickr (CC BY-NC-SA 2.0).