Gracias a un grupo de investigadores españoles y al desarrollo de un modelo de Machine Learning, ya se puede predecir cómo van a evolucionar las poblaciones herbáceas de un determinado terreno, utilizando datos climatológicos y de propiedades del suelo, con el objetivo de estimar los efectos directos del cambio climático en los distintos escenarios de reducción de emisiones de gases de efecto invernadero.

Mediante la monitorización de más de veinte especies de plantas al ambiente hipersalino de la marisma conocida como Los Caracoles, en el Noreste del Parque Nacional de Doñana, se ha desarrollado un modelo en dos pasos que permite predecir la abundancia cuando cambian la temperatura y los minerales disueltos en el suelo.

A diferencia de los entornos digitales donde el volumen de datos disponible no supone ningún problema, los procesos de captura de información sobre plantas o animales en campo resultan costosos en tiempo y en mano de obra, así como se realizan en condiciones ambientales complicadas. Sin embargo, los avances teóricos han permitido desarrollar métodos secuenciales que permiten mejorar la calidad de las predicciones con menos datos.

Modelo en dos pasos

Desde el Centro Universitario U-tad explican que han empleado un modelo en dos pasos, para predecir la abundancia cuando cambian la temperatura y los minerales disueltos en el suelo. De este modo, se puede llegar a predecir, hasta con un nivel de acierto del 85% cuántos ejemplares de cada especie convivirán bajo unas determinadas condiciones.

Dicho modelo ha destapado los grandes impedimentos que afloran con este tipo de estudios, pues la obtención de datos en abundancia, en este caso, sobre las especies herbáceas en campo, duró un total de cinco temporadas, una por año. Para hacerse una idea, el director académico ha desvelado que el equipo del CSIC, “tuvo que realizar conteos individuales en una zona de marisma en la que se reproducen estas especies. La construcción y verificación del modelo llevó un año de trabajo adicional”

Uno de los inconvenientes con los que se han encontrado los investigadores a lo largo del proceso es la calidad y la representatividad de los datos. “Aunque se trata de un trabajo realizado por un equipo muy profesional, hasta que no se completa la tarea no puedes saber si los modelos van a ser mejores que los anteriores de los que se disponía. Es un poco como cocinar, dispones de buenos ingredientes y de experiencia inventando recetas, pero hasta que no has terminado el trabajo no puedes estar seguro de si has alcanzado el punto óptimo”, explican.

Para resolver el problema de falta de datos hicieron una primera predicción utilizando muy pocas variables consiguiendo lógicamente con un ajuste muy reducido. Esa primera predicción es muy débil, pero combinándola con los datos originales se consigue una precisión mayor que con los modelos que había hasta la fecha.