Según el informe State of the World's Plants and Fungi del Real Jardín Botánico de Kew, aproximadamente dos de cada cinco especies de plantas en todo el mundo están amenazadas de extinción. Y mientras seguimos persiguiendo los objetivos de desarrollo sostenible y las distintas metas medioambientales, algunos científicos vienen a cubrir retos más inmediatos mediante la inteligencia artificial.
En concreto, a la hora de comprender y predecir las complejas interacciones entre especies vegetales, algo crítico en ecosistemas que han sido poco estudiados o de los que hay pocos datos.
Es justo lo que ha hecho un equipo internacional de científicos, liderado por el Centro de Investigaciones sobre Desertificación (CIDE, perteneciente al CSIC, la Universitat de València y la Generalitat Valenciana) y en el que han participado otros entes del mismo CSIC (Instituto de Física Corpuscular o INIA) además de investigadores de la Universidad Nacional Autónoma de México.
Utilizando una técnica denominada 'aprendizaje por transferencia', los investigadores han logrado predecir interacciones entre plantas en zonas de Murcia y México, basándose en datos de un ecosistema bien documentado en Alicante. Su trabajo, publicado en la revista Ecological Informatics, abre las puertas a una nueva metodología que nos podría permitir analizar comunidades vegetales con información limitada.
La técnica fue aplicada en comunidades de plantas en Petrer (Alicante), La Unión (Murcia) y San Juan Raya (México), todas ellas caracterizadas por interacciones de facilitación. Explican los investigadores que, gracias a esta aproximación, han podido reutilizar conocimientos obtenidos de conjuntos de datos amplios para aplicarlos en comunidades ecológicas con menos información disponible.
"Nuestro estudio se centró en aplicar la IA para entender cómo coexisten diferentes especies de plantas en comunidades ecológicas. Entrenamos un modelo de IA con datos de una comunidad bien estudiada en el sureste de España y luego lo utilizamos para predecir interacciones entre especies en otras dos comunidades, una en España y otra en México", explica Johannes Hirn, investigador del CIDE y primer autor del estudio.
"Hemos demostrado que 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 un conjunto de datos más grande, con más de 2.000 parches en la comunidad de Petrer, y una aplicación adecuada del aprendizaje por transferencia", añade a su vez Miguel Verdú, investigador del CSIC y coautor del trabajo.
Entender mejor cómo coexisten las especies
La relevancia de este trabajo es evidente desde un punto de vista metodológico, ya que permite estudiar ecosistemas con información de campo limitada de forma mucho más ambiciosa. Empero, cabe preguntarse cuál es el impacto directo o inmediato de esta innovación para la tan necesaria agenda medioambiental.
Los investigadores lo tienen claro: al extraer información pertinente de conjuntos de datos pequeños, los ecólogos pueden ahora predecir mejor cómo coexisten y se relacionan las especies, mejorando los esfuerzos de restauración y guiando intervenciones ecológicas.
Además, la investigación destaca cómo la IA puede superar las limitaciones de los modelos tradicionales, que a menudo dependen de suposiciones matemáticas específicas. El uso de redes neuronales profundas permite modelar de manera más flexible las interacciones complejas entre especies, ofreciendo una imagen más clara de cómo coexisten en diferentes entornos.
"Al transferir el conocimiento entre ecosistemas, podemos empezar a construir una comprensión unificada de cómo funcionan los patrones de coexistencia de especies", concluye Johannes Hirn. "Esto podría permitirnos tomar decisiones más informadas en la conservación".