Los pavos salvajes de Misisipi no tienen secretos para el ‘machine learning’

Alguna vez has buscado casa? Si fueras un pavo salvaje, estarías en constante movimiento. Siempre a la caza de mejores pastos, a lo largo y ancho de la cara este de Norteamérica, 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 demás 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 protección más efectivas. Para hacer estos pronósticos, es preciso monitorizar y cuantificar el peso de las variables que llevan al animal a establecer los límites de su hábitat de un modo u otro: disponibilidad de recursos, meteorología, cambios en el entorno... Por eso, lo que te vamos a contar no es moco de pavo (guiño, guiño).

• A que va el machine learning y los encuentra

¿Cómo funciona todo esto? Adivinar el paradero de los pavos salvajes es posible gracias a combinaciones de algoritmos de aprendizaje automático 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 Asociación forestal de Misisipi. "Los estudios de la distribución espaciotemporal de recursos que mantienen organismos son indispensables para comprender las dinámicas de las poblaciones animales, incluidas especies aviares, a través 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 consideración lo que se conoce como el índice de sostenibilidad del hábitat, "la probabilidad de que una especie ocupe o use dicho hábitat", o lo que es lo mismo lo apetecible que les va a resultar el entorno, teniendo en cuenta las condiciones que confluyen en él. "Los modelos de predicción de sostenibilidad de hábitats pronostican la probabilidad de que aparezcan animales en una ubicación espacial, utilizando variables medioambientales". De este modo se cuantifican las condiciones que puede conducir a la llegada de determinadas especies. "Los animales eligen hábitat basándose en sus necesidades ecológicas y fisiológicas y en la disponibilidad de recursos", precisan los investigadores.

"El machine learning es una herramienta prometedora para el modelado de distribuciones de especies", señalan los investigadores norteamericanos. Además, su utilización gana impacto cuando se trabaja con dimensiones muy amplias o especies en peligro de extinción, de las que se tiene aún menos información."La regularización de algoritmos de machine learning podría facilitar estudios exploratorios de los efectos que los factores medioambientales tienen sobre la distribución espacial y la sostenibilidad de los hábitats de la fauna salvaje".