Los pavos salvajes de Misisipi no tienen secretos para el ¡®machine learning¡¯

Alguna vez has buscado casa? Si fueras un pavo salvaje, estar¨ªas en constante movimiento. Siempre a la caza de mejores pastos, a lo largo y ancho de la cara este de Norteam¨¦rica, pero sin llegar a migrar. Ubicar poblaciones humanas es relativamente sencillo, partiendo de los tropecientos registros que caracterizan la era orwelliana en que vivimos. Los pavos -y dem¨¢s animales silvestres- no se empadronan, ni llevan un smartphone, ni hacen pagos con tarjeta.

La capacidad de predecir las direcciones que toman las especies salvajes en su deambular es clave para el estudio de su comportamiento y, en los casos de especies amenazadas, para establecer medidas de protecci¨®n m¨¢s efectivas. Para hacer estos pron¨®sticos, es preciso monitorizar y cuantificar el peso de las variables que llevan al animal a establecer los l¨ªmites de su h¨¢bitat de un modo u otro: disponibilidad de recursos, meteorolog¨ªa, cambios en el entorno... Por eso, lo que te vamos a contar no es moco de pavo (gui?o, gui?o).

• A que va el machine learning y los encuentra

?C¨®mo funciona todo esto? Adivinar el paradero de los pavos salvajes es posible gracias a combinaciones de algoritmos de aprendizaje autom¨¢tico como los que han empleado seis investigadores de la Universidad de Misisipi, la de Georgia, la de Nueva York, el departamento de fauna, pesca y parques de Jackson (Misisipi) y la Asociaci¨®n forestal de Misisipi. "Los estudios de la distribuci¨®n espaciotemporal de recursos que mantienen organismos son indispensables para comprender las din¨¢micas de las poblaciones animales, incluidas especies aviares, a trav¨¦s del espacio y el tiempo", explican en el estudio resultante de su experimento.

El machine learning es una herramienta prometedora para el modelado de distribuciones de especies

Para determinar los derroteros de los pavos se toma en consideraci¨®n lo que se conoce como el ¨ªndice de sostenibilidad del h¨¢bitat, "la probabilidad de que una especie ocupe o use dicho h¨¢bitat", o lo que es lo mismo lo apetecible que les va a resultar el entorno, teniendo en cuenta las condiciones que confluyen en ¨¦l. "Los modelos de predicci¨®n de sostenibilidad de h¨¢bitats pronostican la probabilidad de que aparezcan animales en una ubicaci¨®n espacial, utilizando variables medioambientales". De este modo se cuantifican las condiciones que puede conducir a la llegada de determinadas especies. "Los animales eligen h¨¢bitat bas¨¢ndose en sus necesidades ecol¨®gicas y fisiol¨®gicas y en la disponibilidad de recursos", precisan los investigadores.

"El machine learning es una herramienta prometedora para el modelado de distribuciones de especies", se?alan los investigadores norteamericanos. Adem¨¢s, su utilizaci¨®n gana impacto cuando se trabaja con dimensiones muy amplias o especies en peligro de extinci¨®n, de las que se tiene a¨²n menos informaci¨®n."La regularizaci¨®n de algoritmos de machine learning podr¨ªa facilitar estudios exploratorios de los efectos que los factores medioambientales tienen sobre la distribuci¨®n espacial y la sostenibilidad de los h¨¢bitats de la fauna salvaje".