Un estudio realizado por el Centro de Investigaciones sobre Desertificación (CIDE, UV-CSIC-GVA) ha logrado anticipar las interacciones ecológicas presentes en comunidades vegetales que han recibido poca atención. Esto se ha conseguido analizando los patrones de coexistencia en un ecosistema alicantino que ha sido objeto de un muestreo más exhaustivo. Para llevar a cabo esta investigación, el equipo ha implementado la técnica conocida como ‘aprendizaje por transferencia’, una metodología de aprendizaje automático (machine learning) que ofrece una perspectiva innovadora en el estudio de la biodiversidad y su conservación.
El concepto de ‘aprendizaje por transferencia’ facilita la reutilización del conocimiento obtenido de amplios conjuntos de datos, permitiendo así su aplicación en comunidades ecológicas donde la información es más escasa.
La comprensión de la biodiversidad y la coexistencia de especies vegetales puede ser optimizada gracias a la Inteligencia Artificial (IA). Un estudio, que ha sido liderado por el Centro de Investigaciones sobre Desertificación (CIDE, UV-CSIC-GVA), respalda esta afirmación. En su investigación, se utilizó una técnica conocida como ‘aprendizaje por transferencia’ para profundizar en el conocimiento acerca de cómo las especies vegetales coexisten en áreas de Murcia y México, basándose en un ecosistema bien documentado: el de Petrer, en Alicante.
Este trabajo, que fue publicado en la revista Ecological Informatics, representa una innovadora manera de examinar las interacciones ecológicas dentro de comunidades vegetales. Además, ofrece información valiosa cuando se dispone de pocos datos para abordar cuestiones ecológicas que son urgentes.
“Para comprender la forma en que diversas especies de plantas pueden coexistir en comunidades ecológicas, hemos desarrollado un modelo de IA utilizando datos de una comunidad que ha sido ampliamente estudiada en el sureste de España. Posteriormente, este modelo se ha empleado para anticipar las interacciones entre especies en otras dos comunidades: una ubicada en España y otra en México”, señala Johannes Hirn, investigador del CSIC en el CIDE y autor principal del artículo.
El estudio ha contado con la colaboración de investigadores del Instituto de Física Corpuscular (IFIC, UV-CSIC), del Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA-CSIC) y de la Universidad Nacional Autónoma de México. Además del grupo del CIDE, el equipo ha estado involucrado en el análisis de comunidades vegetales en diversas localidades, incluyendo Petrer (Alicante) y La Unión (Murcia) en España, así como en San Juan Raya en México. Estas comunidades vegetales se caracterizan por sus interacciones de facilitación, que son aquellas relaciones entre especies que benefician a al menos uno de los participantes sin perjudicar a los demás.
“En el ámbito de la Ecología, la recolección de datos en el campo suele ser un proceso que consume mucho tiempo y recursos, lo que resulta en numerosos estudios que utilizan conjuntos de datos pequeños”, señala Miguel Verdú, investigador del CSIC en el CIDE y coautor del estudio. “En este trabajo, hemos evidenciado que los conjuntos de datos reducidos, aquellos con menos de 1.000 parches de vegetación, analizados tanto en La Unión como en San Juan Raya, pueden obtener ventajas al incorporar inteligencia artificial si se combinan con un conjunto de datos más amplio –que incluye más de 2.000 parches– proveniente de la comunidad de Petrer, en Alicante, siempre y cuando se aplique correctamente el aprendizaje por transferencia”, aclara el científico.
Según los firmantes del trabajo, José A. Navarro y Marta Goberna, del INIA, “estas técnicas están comenzando a aplicarse en investigaciones de ecología básica. Sin embargo, su evolución podría contribuir significativamente a la mejora de los programas destinados a la restauración de áreas que han sido degradadas o que se encuentran amenazadas por la desertificación”.
De acuerdo con el artículo, este progreso presenta consecuencias significativas para la conservación de la biodiversidad. La capacidad de extraer información valiosa a partir de conjuntos de datos reducidos permite a la ecología perfeccionar sus predicciones sobre la coexistencia y las interacciones entre las especies. Esto, a su vez, orienta las intervenciones ecológicas.
El estudio subraya la importancia de la inteligencia artificial y las redes neuronales profundas del Deep Learning para representar de forma más adaptable las interacciones complejas entre diversas especies. Esto proporciona una visión más precisa de cómo estas coexisten en distintos entornos.
Verónica Sanz, catedrática de Física en la Universitat de València, investigadora en el IFIC y coautora del artículo publicado en Ecological Informatics, recuerda que “nuestro centro ha jugado un papel clave en el desarrollo de los modelos de IA generativos utilizados en este estudio como base para el entrenamiento y la transferencia a diferentes localizaciones”.
La científica argumenta que “gran parte de nuestro trabajo se centró en que el algoritmo fuera resiliente ante los cambios en las especies típicas de cada ambiente ecológico, pero robusto frente a la existencia de interacciones complejas”.
Los hallazgos indican que el aprendizaje por transferencia tiene el potencial de establecerse como una herramienta fundamental en el ámbito de la ecología, facilitando así que la investigación utilice pequeños conjuntos de datos para abordar cuestiones ecológicas críticas. En investigaciones futuras, esta técnica podría ser implementada en una gama más amplia de ecosistemas y especies. “Al transferir el conocimiento entre ecosistemas podemos empezar a construir una comprensión unificada de cómo funcionan los patrones de coexistencia de especies”, afirma Johannes Hirn. “Esto podría permitirnos tomar decisiones más informadas en el campo de la conservación”, concluye.