En la cadena de extinciones de especies, la IA puede predecir el próximo eslabón que se romperá

Aug 22, 2023

Hace unos 100 años, un programa de control de depredadores en el Parque Nacional de Yellowstone extinguió a los lobos nativos de la región. Eso inició el deterioro gradual de todo el ecosistema. Sin lobos, la población de alces se disparó, lo que provocó un pastoreo excesivo. Sin árboles y plantas de tamaño adecuado, los castores no podían construir represas. Esto a su vez afectó el flujo de agua en los ríos locales, lo que eventualmente afectó a los peces.

Si esta cascada ecológica hubiera ocurrido en 2023, un modelo de inteligencia artificial podría haber podido predecir las repercusiones con mucha antelación.

Un modelo de aprendizaje automático desarrollado por científicos de la Universidad Flinders en Australia puede predecir qué especies tienen probabilidades de extinguirse si se introduce o elimina un depredador o una presa de un ecosistema. Está entrenado con datos sobre cómo las diferentes especies interactúan entre sí.

Un estudio publicado en la revista Ecografía delinea el marco sobre cómo recopilar datos sobre las interacciones de las especies y entrenar algoritmos de aprendizaje automático para predecir cascadas de extinción: las extinciones secundarias que ocurren como parte de un efecto dominó de las extinciones primarias en un ecosistema.

El modelo se basa en la importante correlación entre las interacciones de las especies y la salud de los ecosistemas. Para que los ecosistemas de todo el mundo mantengan un equilibrio saludable, es importante no alterar las complejas redes alimentarias que existen en su interior.

"Muchas extinciones que han ocurrido en el pasado, y que sucederán en el futuro, ocurren a través de interacciones entre especies", dijo a Mongabay John Llewelyn, autor principal del estudio e investigador en modelado de redes paleoecológicas en la Universidad de Flinders, en una entrevista en video. “Otro ejemplo es cuando nos fijamos en las especies invasoras que se trasladan a una nueva zona. Un depredador introducido podría aprovecharse de especies nativas, por lo que es importante predecir esas interacciones para poder priorizar su conservación”.

En 2021, Llewelyn y su equipo comenzaron a recopilar datos sobre cómo interactuaban las diferentes especies entre sí. Para cada una de esas especies, también recopilaron datos sobre sus rasgos que ayudarían a determinar su posición en la red alimentaria. Esto incluía datos sobre el tamaño corporal, la dieta (¿comen plantas? Si no, ¿comen vertebrados o invertebrados?), la hora del día en que están activos (¿diurnos, nocturnos o crepusculares?) y sus hábitats (dosel). o arbustos o nivel del suelo?). Una vez que el equipo entrenó el algoritmo, pudieron “entregarle una lista de otras especies con sus rasgos y preguntarle al modelo '¿Quién se comerá a quién de esa lista?'”, dijo Llewelyn.

Para corroborar la eficacia del modelo, Llewelyn lo probó en el desierto de Simpson en Australia, para lo cual ya tenía datos detallados de depredador-presa.

"De hecho, predijimos las interacciones depredador-presa con mucha precisión para el desierto de Simpson, incluidas las especies introducidas allí", dijo. "Los zorros y los gatos son depredadores introducidos en Australia, y el algoritmo podría seleccionar con precisión de qué se alimentan esas especies".

Llewelyn dijo que el modelo, cuando se utiliza con otros recursos, podría ser una buena herramienta para implementar acciones de conservación sobre el terreno.

Citó el ejemplo de los zorros rojos (Vulpes vulpes), una especie invasora introducida en Australia desde Europa hace un siglo. Los zorros son altamente destructivos para las plantas y especies nativas del país. Sin embargo, hasta ahora se ha impedido que los zorros establezcan poblaciones en el estado insular de Tasmania. Llewelyn dijo que el modelo podría usarse para comprender las implicaciones ecológicas y de biodiversidad si la población de zorros proliferara en Tasmania.

"Se podría predecir de qué especies es más probable que se aproveche", dijo. “Entonces se pueden emplear diferentes estrategias de conservación dirigidas a esas especies nativas vulnerables. Por ejemplo, podrías entrenarlos para que eviten las señales químicas de los zorros”.

Sin embargo, dada la escasez de datos sobre las interacciones entre especies, entrenar el modelo es una tarea difícil.

Llewelyn dijo que cuantos más datos haya, mejores serán las predicciones del modelo. "Sabemos muy poco sobre las interacciones entre especies, y lo que sabemos es sólo una pequeña fracción de las interacciones que ocurren ahí fuera", dijo.

Si bien los datos de entrenamiento se basan en cómo interactúan las especies, la falta de datos sobre qué especies no interactúan entre sí también podría sesgar las predicciones del modelo. "El hecho de que no haya sido grabado no significa que no interactúen", dijo. "Cómo ajustar su conjunto de datos de entrenamiento para no incluir no interacciones incorrectas, esa es un área donde este método podría mejorarse".

Llewelyn enfatizó la necesidad de incorporar otros enfoques de modelización y combinar todos los resultados para obtener mejores predicciones.

"Se pueden utilizar enfoques conjuntos en los que se reúnen las predicciones de varios métodos", dijo. “Ahora es un poco complicado porque todo está separado y hay que ejecutar las cosas por separado y luego unirlas. Pero estoy seguro de que las cosas se simplificarán en un futuro no muy lejano y entonces podrás modelar conjuntos de una sola vez”.

Imagen de portada: Los zorros rojos (Vulpes vulpes) son altamente destructivos para las plantas y especies nativas del país. Imagen de xulescu_g vía Flickr (CC BY-SA 2.0).

Abhishyant Kidangoor es redactor de Mongabay. Encuéntrelo en Twitter @AbhishyantPK.

El aprendizaje automático ayuda a los investigadores a identificar redes fúngicas subterráneas

Citación:

Llewelyn, J., Strona, G., Dickman, CR, Greenville, AC, Wardle, GM, Lee, MSY,… Bradshaw, CJA (2022). Predecir las interacciones depredador-presa en endotermos terrestres utilizando bosques aleatorios. Ecografía. doi:10.1111/ecog.06619