Ponentes
Descripción
Ante la actual crisis de pérdida de biodiversidad, comprender los factores intrínsecos que predisponen a las especies a la extinción resulta crucial. La modelización por aprendizaje automático supervizado ofrece herramientas robustas para este fin. Este estudio evalua la relacion entre los atributos del nicho climatico de Grinnell de 132 especies de aves del Bosque Atlantico y su categoria de riesgo de extincion segun la UICN.La distribución potencial de las especies se modeló utilizando registros de presencia y variables ambientales mediante el algoritmo de máxima entropía MAXENT (Phillips, S. J. et al., Ecol. Model. 190, 231-259, 2006). A partir de estos modelos y de los datos bioclimáticos, se extrajo una base de datos con 213 atributos estadísticos descriptivos del nicho climático para cada especie. Para lidiar con la alta dimensionalidad, se aplicó una selección de características (Feature Selection) que priorizó variables no redundantes, lo que dio como resultado un subconjunto de 22 predictores principales.Para la clasificación supervisada de las categorías de amenaza, se evaluaron múltiples algoritmos: la función logística, árboles de decisión, redes neuronales, Random Forest y Naive Bayes. El clasificador Naive Bayes demostró el mejor rendimiento predictivo (Lewis, D. D., in: Machine Learning: ECML-98, ed. Nedellec, C. & Rouveirol, C., Springer, pp. 4-15, 1998). Este modelo asume independencia condicional entre los atributos del nicho para estimar la probabilidad posterior de que una especie pertenezca a una categoria de amenaza especifica dada su configuracion climatica:\begin{equation}P(i|x) = \frac{P(i) \prod_{j=1}^{n} P(x_j|i)}{P(x)}\end{equation}Donde $i$ representa la categoria de riesgo de la UICN y $x$ es el vector de atributos del nicho climatico.El modelo alcanzó un área bajo la curva ROC (AUC) promedio ponderado de 0.931. El análisis de importancia de variables reveló que el rango de las temperaturas promedio del trimestre más cálido es el predictor matemático más fuerte del riesgo de extinción en esta muestra. Los resultados indican que las especies de menor riesgo presentan nichos significativamente más amplios en los atributos principales. Por el contrario, las especies en peligro crítico se restringen a nichos con menor variabilidad térmica, más secos y con una estacionalidad de la precipitación más marcada. La integración de la modelización de nichos y el aprendizaje automático demuestra ser una estrategia valiosa para complementar las evaluaciones cuantitativas de conservación (Breiner, F. T. et al., Divers. Distrib. 23, 484-495, 2017). Agradecimientos: ARASY ESTR01-23.