Esta entrada del blog también está disponible en inglés aquí.
Las especies invasoras representan una de las mayores amenazas para la biodiversidad, la seguridad alimentaria y la salud de los ecosistemas. Cuando las plantas no-nativas se propagan en nuevos ambientes, pueden desplazar a las especies nativas, alterar los hábitats y causar daños severos a los ecosistemas y a los servicios ecosistémicos que estos brindan a los seres humanos.
La mayoría de las veces, las especies invasoras se identifican solo después de haberse establecido y de estar expandiéndose activamente hacia nuevas áreas, lo que hace que los esfuerzos de control sean costosos y, a menudo, ineficaces. Pero, ¿y si pudiéramos predecir qué especies tienen más probabilidad de convertirse en “problemáticas” antes de que lleguen? Eso es exactamente lo que intenta hacer nuestra investigación.
Una solución basada en inteligencia artificial
Desarrollamos un nuevo marco de inteligencia artificial (AI, por sus siglas en inglés) para predecir el riesgo de invasión de especies de plantas no nativas antes de que se propaguen en nuevos hábitats. Utilizando datos de más de 1,000 especies de plantas introducidas en 15 islas del Caribe, nuestros modelos de AI analizaron rasgos relacionados con la biología, las preferencias ambientales y los antecedentes de invasión de las especies para identificar qué plantas tienen más probabilidades de convertirse en invasoras.
Aprovechando el poder del AI, detectamos patrones difíciles de identificar mediante evaluaciones tradicionales. Sorprendentemente, nuestros modelos lograron más del 90% de precisión en la predicción del éxito de invasión, proporcionando a científicos y responsables de manejo de especies, una herramienta poderosa para abordar proactivamente posibles invasiones.
Nuestro marco no solo predice qué especies pueden invadir, sino que también ayuda a explicar por qué algunas tienen éxito mientras que otras fracasan. Usando un análisis de importancia de características (una técnica que identifica qué rasgos contribuyen más a la predicción de invasiones), identificamos los rasgos más fuertemente asociados con el éxito de invasión. Por ejemplo, las especies adaptadas a crecer en áreas con perturbaciones frecuentes tenían una probabilidad significativamente mayor de convertirse en invasoras, mientras que aquellas capaces de prosperar en una amplia gama de ambientes eran más propensas a propagarse agresivamente. Además, las plantas que ya han invadido otras regiones tienen más probabilidad de tener éxito nuevamente.
Estos hallazgos resaltan el papel crucial de la adaptabilidad ecológica y la importancia del contexto histórico de invasión para comprender y gestionar el riesgo de invasiones.
Una herramienta para la bioseguridad proactiva
Una de las aplicaciones más prometedoras de nuestros modelos, es su capacidad para identificar especies de alto riesgo que aún no están presentes en una región determinada, al tiempo que cuantifica rigurosamente las incertidumbres en la predicción, lo que brinda una comprensión más clara de los riesgos potenciales.
Esto nos permite diseñar estrategias basadas en evidencia como monitoreo focalizado, control fitosanitario, regulaciones de importación y medidas de control temprano, antes de que las especies no nativas se conviertan en invasoras y causen daño ecológico.
Basado en diferentes conjuntos de rasgos, nuestros modelos de AI puede adaptarse eficientemente para aplicarse en otras regiones y ecosistemas.
¿Por qué es importante?
La globalización y el cambio climático están acelerando el movimiento de especies alrededor del mundo, aumentando el riesgo de invasiones biológicas. Nuestra investigación ofrece un enfoque proactivo, basado en datos, para predecir y gestionar este problema.
Al combinar AI con el conocimiento ecológico, podemos proteger mejor la biodiversidad, salvaguardar la seguridad alimentaria y planificar una gestión sostenible de los ecosistemas. Este trabajo proporciona una herramienta poderosa para anticiparse a las invasiones biológicas y reducir sus impactos antes de que sea demasiado tarde.
Lee el artículo completo, ‘Aprendizaje automático para la bioseguridad: Un marco probabilístico para la gestión de especies invasoras’, en Journal of Applied Ecology.
