Comprender los movimientos migratorios de las aves a escala continental ha sido, hasta hace poco, uno de los mayores desafíos de la ecología moderna debido al elevado coste y esfuerzo que requiere el seguimiento individual de miles de ejemplares. Un equipo multidisciplinar de investigadores de instituciones como la Universidad de Illinois y el Laboratorio de Ornitología de Cornell ha presentado recientemente BirdFlow, un marco de modelado probabilístico que utiliza inteligencia artificial para inferir los movimientos de poblaciones enteras a partir de datos de ciencia ciudadana.
Al integrar información de la plataforma eBird con registros de anillamiento y telemetría por radio, los científicos han logrado cartografiar con precisión los viajes estacionales de 153 especies migratorias en Norteamérica. Este avance es fundamental no solo para la biología, sino también para diseñar estrategias de conservación más eficaces en un entorno afectado por el cambio climático y la pérdida de hábitats. Los modelos generados por esta tecnología permiten predecir con exactitud dónde se encontrarán las poblaciones de aves en momentos específicos del año, ofreciendo una herramienta sin precedentes para la investigación ecológica, la seguridad aérea y la vigilancia de enfermedades zoonóticas en todo el continente.
¿Qué es BirdFlow y cómo funciona el modelado de poblaciones?
BirdFlow consiste en un marco de modelado basado en cadenas de Markov, una estructura matemática que proyecta la probabilidad de que un individuo se desplace de una ubicación y tiempo determinados hacia el siguiente estado geográfico. El sistema utiliza como base los mapas de abundancia relativa de eBird Status & Trends, que proporcionan estimaciones semanales de la distribución de las especies gracias a las listas de observación enviadas por miles de aficionados. Sin embargo, estos mapas solo indican dónde están las aves, no cómo se mueven entre esos puntos, por lo que BirdFlow rellena esos vacíos mediante optimización mecanística.
Para que el modelo sea preciso, los investigadores utilizan tres hiperparámetros fundamentales que regulan el comportamiento de las rutas simuladas. El primero es el peso de la distancia, que penaliza los movimientos excesivamente largos para favorecer rutas energéticamente eficientes. El segundo es el exponente de distancia, que equilibra la posibilidad de realizar unos pocos saltos largos frente a muchos desplazamientos cortos. Por último, el peso de la entropía de Shannon controla la estocasticidad o aleatoriedad de las rutas, permitiendo que el modelo refleje la diversidad de trayectorias que una población real podría seguir.
La gran innovación de este estudio es que el equipo ha logrado entrenar estos parámetros utilizando múltiples fuentes de datos complementarias. Históricamente, estos modelos requerían datos de GPS de alta resolución, un recurso caro y escaso para la mayoría de las especies pequeñas. Ahora, el sistema integra datos de anillamiento del programa del Servicio Geológico de los Estados Unidos (USGS) y señales de radiofrecuencia del Sistema de Seguimiento de Vida Silvestre Motus. Esta combinación ha permitido que BirdFlow sea aplicable a cientos de especies para las que antes no existía información detallada de movimiento.
Por qué es importante y qué cambia en la conservación
La capacidad de modelar la migración a nivel de población, y no solo de individuos aislados, tiene implicaciones directas en la protección de la biodiversidad. Las amenazas como la degradación del hábitat, la contaminación lumínica o el cambio climático afectan de manera distinta a diferentes poblaciones de una misma especie según sus rutas específicas. BirdFlow permite identificar con precisión qué regiones son críticas para la supervivencia de aves que atraviesan el continente.
Entre los resultados más destacados del estudio se encuentran los siguientes datos de rendimiento:
- Los modelos ajustados fueron, de media, 27 veces mejores prediciendo ubicaciones de recuperación que un muestreo aleatorio básico.
- En términos de distancia, las predicciones se acercaron unos 1058 kilómetros más a la ubicación real de las aves en comparación con los modelos previos.
- La precisión se mantiene incluso en horizontes temporales de varios meses y distancias superiores a los 2400 kilómetros.
- El sistema genera rutas biológicamente realistas que coinciden con la velocidad de migración y la rectitud de vuelo observada en ejemplares seguidos por satélite.
Además, el estudio introduce una técnica de transferencia de hiperparámetros. Esto significa que, si no hay datos suficientes de una especie concreta (como sucede con muchos pájaros cantores pequeños), el sistema puede «aprender» de especies cercanas en términos taxonómicos o morfológicos. Por ejemplo, se ha comprobado que las aves de mayor tamaño, como patos y gansos, tienden a realizar vuelos más largos y directos con menor coste de movimiento, mientras que los pájaros pequeños requieren paradas más frecuentes para repostar energía.
El contexto técnico y científico detrás del proyecto
El desarrollo de BirdFlow ha sido posible gracias a la colaboración de instituciones líderes en ornitología y ciencias de la computación, bajo el paraguas del proyecto BirdFlow Science. El equipo utilizó una red de 150 kilómetros de resolución espacial para sus cálculos, equilibrando la precisión necesaria para distinguir rutas migratorias con la eficiencia computacional requerida para procesar 153 especies.
Los datos utilizados para validar el sistema son masivos. Se emplearon más de 10,000 transiciones de movimiento para algunas especies, integrando décadas de registros de recuperación de anillas. El uso de la plataforma de computación Unity en el Massachusetts Green High Performance Computing Center fue clave para entrenar los 225 modelos candidatos por especie necesarios para encontrar la configuración óptima.
Lo que viene ahora en la ornitología predictiva
A pesar de su precisión, los creadores de BirdFlow son realistas sobre sus limitaciones actuales. El modelo actual es markoviano, lo que significa que no tiene «memoria» de los movimientos pasados del individuo, centrándose en el comportamiento promedio de la población en un lugar y tiempo dados. En el futuro, se espera que el sistema pueda integrar de forma más completa la incertidumbre de los datos de abundancia y los sesgos geográficos de las estaciones de seguimiento.
No obstante, la publicación de este catálogo de 153 modelos marca un hito en la macroecología. BirdFlow se establece como una base sólida para aplicaciones prácticas que van más allá del mundo académico, como la gestión de riesgos en la aviación o la previsión de cómo se propagan enfermedades a través de las rutas migratorias. A medida que la ciencia ciudadana siga alimentando bases de datos como eBird, estos modelos de IA serán cada vez más robustos, permitiendo un seguimiento casi en tiempo real de la vida que late sobre nuestras cabezas cada primavera y otoño.
