Antecedentes

Las poblaciones de erizos europeos han disminuido aproximadamente entre 30 y 50 por ciento en la última década, lo que ha generado llamados urgentes para mejorar los métodos de monitoreo. Las encuestas convencionales dependen de un trabajo de campo nocturno extenso, equipo especializado o informes de ciudadanos, todos los cuales son costosos y difíciles de escalar a nivel nacional.

Enfoque de investigación

En la Universidad de Cambridge, el investigador Gabriel Mahler y sus colegas Sadiq Jaffer, Anil Madhavapeddy y Shane Weisz han cambiado el enfoque de rastrear directamente a los animales a detectar los parches de zarzas que los erizos utilizan para refugiarse y forrajear. Su modelo de IA analiza imágenes satelitales - específicamente datos de los satélites Sentinel de la Agencia Espacial Europea - para localizar estos arbustos densos y espinosos.

El modelo emplea técnicas de aprendizaje automático relativamente simples, combinando regresión logística con clasificación de k-vecinos más cercanos. También integra representaciones de la Tierra TESSERA, que procesan los datos raw de los satélites, y observaciones de campo obtenidas de iNaturalist, una plataforma de ciencia ciudadana.

Validación en el campo

Para probar la precisión del modelo, el equipo de investigación pasó un día caminando por Cambridge equipados con smartphones y dispositivos GPS. Compararon las ubicaciones de zarzas predichas por la IA con lo que observaron en el campo. El paseo confirmó que muchas de las predicciones del modelo coincidían con los parches de zarzas reales, demostrando que la detección basada en satélites puede identificar de manera confiable las características clave del hábitat de los erizos.

Implicaciones para la conservación

Las imágenes satelitales ofrecen una cobertura continua y de gran área, lo que las convierte en un complemento poderoso para los métodos de encuesta tradicionales. Si la IA puede identificar consistentemente los hábitats de zarzas, los planificadores de la conservación podrían evaluar rápidamente la disponibilidad de hábitats en grandes regiones sin necesidad de trabajo de campo laborioso.

Este enfoque también destaca el potencial de combinar modelos de aprendizaje automático modestos con fuentes de datos públicamente disponibles. Al aprovechar los activos satelitales existentes y las contribuciones de la ciencia ciudadana, los investigadores pueden crear herramientas rentables que apoyen el monitoreo de la biodiversidad a gran escala e informen las estrategias de protección del hábitat.

Usado: News Factory APP - descubrimiento de noticias y automatización - ChatGPT para Empresas