Nuevos mapas de inteligencia artificial ayudan a proteger la biodiversidad en todos los sectores
Las decisiones sobre la biodiversidad dependen a menudo de datos incompletos. Un mismo lugar puede tener varias encuestas realizadas en distintos años por distintos equipos y con distintos métodos. Esto dificulta la comparación de las ubicaciones, la detección temprana de las tendencias y la explicación de las compensaciones cuando se plantean nuevas infraestructuras, usos del suelo o medidas de conservación. El equipo del proyecto GUARDEN(se abrirá en una nueva ventana), financiado con fondos europeos, se propuso mejorar la situación con una práctica caja de herramientas de supervisión. Mediante la combinación de unos indicadores basados en satélites, la modelización de inteligencia artificial (IA), las plataformas de ciencia ciudadana, los sensores acústicos y las herramientas de realidad aumentada, pretende posibilitar actualizaciones más frecuentes de la información sobre la biodiversidad y los servicios ecosistémicos y apoyar la aplicación de esa información en la planificación del mundo real.
Indicadores satelitales y de IA a escala de paisaje
Los resultados más consistentes de GUARDEN proceden de la combinación de la observación de la Tierra con la modelización ecológica basada en IA. Como explica Pierre Bonnet, coordinador del proyecto, «en condiciones reales, la combinación de datos de observación de la Tierra con modelos ecológicos basados en IA demostró ser uno de los métodos de seguimiento más sólidos y escalables dentro de GUARDEN». Estos indicadores de hábitat obtenidos por satélite se diseñaron para que pudieran repetirse en diferentes paisajes y contextos de gobernanza, lo que permite realizar comparaciones entre zonas y contextos. Para facilitar el uso de los resultados, el equipo de GUARDEN hizo accesible su conjunto de mapas a través de la herramienta cartográfica web GeoPl@ntNet(se abrirá en una nueva ventana). Este método funciona mejor cuando se trata de patrones a escala de paisaje y seguimiento de tendencias, mientras que las características locales a pequeña escala y las especies raras pueden seguir siendo difíciles de captar sin un trabajo de campo específico.
Métodos de combinación para reducir los ángulos muertos
En GUARDEN se trató la supervisión como un problema combinado, porque cada método se rompe de una manera diferente. Las observaciones de la ciencia ciudadana a través de plataformas específicas, como MINKA y Pl@ntNet, pueden proporcionar valiosos registros sobre el terreno; sin embargo, son sensibles a un esfuerzo de muestreo desigual y al sesgo del observador. Los sensores acústicos pueden ser muy repetibles, pero su rendimiento disminuye cuando las grabaciones quedan camufladas por el viento, la lluvia y la maquinaria o cuando las especies objetivo son escasas. La conclusión que se obtiene en el proyecto es contundente: «Una lección clave fue que ningún método de control es suficiente por sí solo. Los resultados más fiables surgieron cuando las herramientas se combinaron explícitamente, al compensar cada una los ángulos muertos de las demás». Antes de que los datos entraran en los modelos, en GUARDEN se añadían capas de control de calidad que incluían comprobaciones de duplicados y anomalías, puntuación de confianza para las identificaciones, umbrales de incertidumbre y validación cruzada mediante conjuntos de datos de referencia y muestras revisadas por expertos.
Validación sobre el terreno, evaluación comparativa y cambios sobre el terreno
La validación fue iterativa, se mezclaron estudios de campo específicos, programas de seguimiento existentes, evaluaciones de expertos y observaciones ciudadanas. Un avance técnico notable fue la evaluación comparativa del marco de aprendizaje profundo de GUARDEN a través de los retos internacionales GeoLifeCLEF(se abrirá en una nueva ventana) y PlantCLEF(se abrirá en una nueva ventana), que proporcionaron referencias externas de rendimiento y ayudaron a calibrar los modelos. Cuando los mapas y las observaciones sobre el terreno divergían, la solución era diagnosticar y ajustar en lugar de descartar. Bonnet señala: «Cuando surgían discrepancias entre las observaciones sobre el terreno y los resultados de los modelos, se trataban como señales de mejora y no como fallos». Entre las causas se incluyen las lagunas en los datos de formación, los efectos de escala y los factores de gestión local, con ajustes locales en caso necesario, incluidas las expectativas legales. En la práctica, los frutos de GUARDEN han servido para revisar las opciones de trazado de las infraestructuras de transporte, han ayudado a concentrar los estudios de campo en los puntos conflictivos señalados por el modelo, han contribuido a priorizar la gestión de los hábitats periurbanos y han permitido detectar más rápidamente las especies potencialmente invasoras gracias a los datos de los ciudadanos.
