La recogida masiva de datos de biodiversidad mejora las predicciones sobre los ecosistemas

En el contexto actual de cambio climático, instituciones y comunidad científica se preguntan cómo afectarán las nuevas condiciones climáticas a especies de flora silvestre. Por ejemplo, ¿cómo cambiarán las poblaciones de pinsapo (Abies pinsapo) que es especie en peligro de extinción sobre la que la Junta de Andalucía tiene sus ojos y planes de protección puestos?

Para predecir si en un futuro el pinsapo vivirá en zonas de montaña más altas que ahora hay que tener en cuenta la climatología, pero para que esas predicciones sean más certeras hay que incluir también en los modelos matemáticos que se usan para conocer estos escenarios futuros, las relaciones que hay entre distintas especies. Las relaciones positivas o negativas que mantienen diferentes especies entre sí van a ser determinantes para conocer su distribución futura.

Por eso, desde la comunidad investigadora se está pasando de modelos matemáticos de distribución de especies que tienen sólo en cuenta las variables ambientales (clima, tipo de suelo) a modelos de distribución de comunidad, que ofrecen mapas que tienen en cuenta variables climáticas y las relaciones entre las plantas. Pasan de una visión individualista a una visión de comunidad para ofrecer mejores predicciones. Sin embargo, hay pocos datos de flora que incluyan la composición de las comunidades biológicas con los que alimentar estos modelos, ya que la recogida está basada en el registro de planta a planta.

Los investigadores de la Universidad de Córdoba, Diego Nieto y Daniel Romera.

Ante esta problemática, los investigadores Diego Nieto y Daniel Romera, del grupo Biología Vegetal Básica y Aplicada de Universidad de Córdoba, han realizado el primer análisis sobre el uso de bases de datos oportunistas de biodiversidad (aquellas no estructuradas con datos individuales de observaciones ciudadanas) en modelos de distribución de especies conjuntas.

«A priori estas bases de datos no deberían servir para calibrar los modelos de comunidad, porque cuentan con observaciones individuales que no tienen en cuenta la relación entre las especies, pero nos preguntábamos si al tener miles de millones de registros podrían funcionar y hacer que los modelos nos diesen predicciones considerando las relaciones entre especies» explica el investigador Diego Nieto.

Tras calibrar el modelo con este tipo de datos individuales con distintos tipos de cobertura, es decir simulando que se tenían más o menos registros de datos de la realidad de las especies de una zona, obtuvieron dos resultados: el modelo hacía predicciones precisas de la distribución según variables climáticas aunque tuviese pocos datos y también conseguía predecir las interacciones entre especies siempre que tuviese entre un 50% y un 75% de registros sobre las especies de la zona.

¿Cómo lo comprobaron?

Teniendo en cuenta que las bases de datos reales usadas como GIBIF, que recoge más de tres mil millones de datos de biodiversidad registrada a través de aplicaciones como iNaturalist, no siempre están bien registrados y no se sabe si se está perdiendo parte de la realidad que no está registrada, los investigadores crearon una base de datos artificial para el experimento, de manera que luego pudiesen comprobar si el modelo actuaba de manera correcta.

Como cuenta Nieto, «ideamos un área de estudio, la distribución de 10 especies diferentes y simulamos distintos niveles de cobertura de la distribución real de cada especie. En un escenario contamos con que se ha muestreado un 10% de todos los lugares donde la especie está, en otras un 25%, un 50%, un 90% y un 100%. Esto es, con las diferentes opciones de lo bien representada o no que estaría la realidad en los datos registrados en estas bases».

Al trabajar con estos datos generados, pudieron conocer muy bien la respuesta del modelo y así, luego, usarlo con las bases de datos individuales ya existentes.

Así, el modelo calcula las interacciones que hay entre las especies, siempre que cuente con entre un 50% y un 75% mínimo de registros de las localizaciones totales de las especies, y puede ofrecer predicciones certeras de cómo se comportarán las comunidades de especies ante escenarios de cambio climático futuros. «Los resultados son esperanzadores, porque vemos que el modelo es capaz de calcular las interacciones aunque no tengas el 100% de los datos de la especie registrados» concluyen los investigadores.

¿Y cómo saben si en esas bases de datos hay más de un 50% de registros de la realidad de las especies? Para ello usaron un método que evalúa la integridad de los datos reales a nivel de píxel usando un caso de estudio de árboles forestales en Europa. Comprara el número de observaciones que hay en un pixel de la base de datos con el número total de especies observadas en ese pixel. Si hay muchas observaciones para pocas especies, indicará que está mejor muestreado. A mayor nivel de datos, más representativo de la realidad.

Con este análisis se presenta un mecanismo para seleccionar qué datos de las bases usar para calibrar estos modelos de comunidad y que hagan mejores predicciones sobre el comportamiento futuro de las especies vegetales silvestres.

Referencia: 

Romera-Romera, Daniel & Nieto Lugilde, Diego. (2024). ‘Should we exploit opportunistic databases with joint species distribution models? Artificial and real data suggest it depends on the sampling completeness’. Ecography.