Para desarrollar el estudio, el equipo ha utilizado 'el aprendizaje por transferencia', una técnica de aprendizaje automático –'machine learning'– que abre un nuevo enfoque en la investigación sobre la biodiversidad y su conservación
Un trabajo liderado por el Centro de Investigaciones sobre Desertificación (CIDE, UV-CSIC-GVA) ha podido predecir las interacciones ecológicas que suceden en comunidades vegetales poco analizadas, a partir de patrones de coexistencia de un ecosistema alicantino mucho más muestreado. Para desarrollar el estudio, el equipo ha utilizado 'el aprendizaje por transferencia', una técnica de aprendizaje automático –'machine learning'– que abra un nuevo enfoque en la investigación sobre la biodiversidad y su conservación.
La Inteligencia Artificial (IA) puede mejorar la comprensión de la biodiversidad y la coexistencia de especias vegetales. Así lo demuestra un estudio liderado por el Centro de Investigaciones sobre Desertificación (CIDE, UV-CSIC-GVA), que ha empleado una técnica llamada 'aprendizaje por transferencia' para mejorar el conocimiento sobre la coexistencia de especies vegetales en zonas de Murcia y México a partir de un ecosistema bien muestreado como es el de Petrer, en Alicante. El trabajo, publicado en la revista Ecological Informatics , supone una nueva forma de analizar las interacciones ecológicas en comunidades de plantas, y proporciona nueva información si se cuenta con pocos datos para responder a preguntas ecológicas urgentes.
El 'aprendizaje por transferencia' permite reutilizar el conocimiento generado a partir de grandes conjuntos de datos para aplicarlo a comunidades ecológicas de las que se tiene menos información disponible.
“Para entender cómo coexisten diferentes especies de plantas en comunidades ecológicas, hemos entrenado un modelo de IA con datos de una comunidad bien estudiada en el sudeste de España, y después la hemos utilizado para predecir interacciones entre especies en otras dos comunidades, una en España y otra en México”, explica Johannes Hirn investigador del CSIC en el CIDE y primer autor del artículo.
Además del grupo del CIDE, en el estudio ha participado personal investigador 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. El equipo ha trabajado en comunidades de plantas en Petrer (Alicante) y La Unión (Murcia), en España, y en San Juan Raya (México), todas ellas comunidades vegetales estructuradas por interacciones de facilitación, es decir, interacciones entre especies que benefician al menos a uno de los participantes sin causar daño a ninguno de ellos.
El poder del aprendizaje por transferencia
"En Ecología, recopilar datos de campo es un proceso lento y costoso, lo que da lugar a muchos estudios con conjuntos de datos pequeños", indica Miguel Verdú, investigador del CSIC en el CIDE y coautor del trabajo. “Aquí hemos demostrado que los conjuntos de datos más pequeños, con menos de 1.000 parches de vegetación, analizados en La Unión y en San Juan Raya pueden beneficiarse de la IA si se combinan con el mayor conjunto de datos –más de 2.000 parches– de la comunidad de Petrer, en Alicante, y se aplica adecuadamente el aprendizaje por transferencia”, explica el científico.
"Estas técnicas están empezando a utilizarse en estudios de ecología básica, pero su desarrollo puede ayudar a mejorar los programas de restauración de zonas degradadas o en riesgo de desertificación", añaden José A. Navarro y Marta Goberna, del INIA, firmantes también del trabajo.
Según el artículo, este avance tiene importantes implicaciones para la conservación de la biodiversidad, ya que la obtención de información valiosa a partir de pequeños conjuntos de datos permite a la ecología mejorar la predicción sobre la coexistencia y las formas de relación entre las especies, y guiar, por tanto, las intervenciones ecológicas.
La investigación destaca el papel de la inteligencia artificial y las redes neuronales profundas del Deep learning a la hora de modelar de forma más flexible las interacciones complejas entre especies, ofreciendo una imagen más clara de cómo coexisten en distintos entornos.
"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 en diferentes localizaciones", recuerda Verónica Sanz, catedrática de Física de la Universidad de Valencia , investigadora del IFIC y cosignataria del artículo publicado en Ecological Informatics. "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", argumenta la científica.
Los resultados sugieren que el aprendizaje por transferencia podría convertirse en una herramienta estándar en la ecología, permitiendo a la investigación aprovechar pequeños conjuntos de datos para responder a preguntas ecológicas urgentes. Los futuros estudios podrían aplicar esta técnica a una mayor variedad de ecosistemas y especias. "Al transferir el conocimiento entre ecosistemas podemos empezar a construir una comprensión unificada de cómo funcionan los patrones de coexistencia de especies", asegura Johannes Hirn. "Esto podría permitirnos tomar decisiones más informadas en el campo de la conservación", concluye.
Referencia bibliográfica: J. Hirn, V. Sanz, JE García, et al., Transfer learning of species co-ocurrence patterns between plant communities, Ecological Informatics (2024). https://doi.org/10.1016/j.ecoinf.2024.102826
