A menudo se hace mucho ruido sobre el potencial de los proyectos de ciencia ciudadana, pero ¿es esto una exageración o una realidad? Andrew Gaier y Julian Resasco examinaron la contribución en un artículo titulado “¿La adición de observaciones científicas comunitarias a los registros del museo mejora el modelado de distribución de una planta endémica rara?” publicado en ecosfera. En una extraña pérdida para la Ley de Titulares de Betteridge, la respuesta es sí.

Los científicos que buscan comprender y proteger las especies en peligro de extinción a menudo desarrollan modelos que predicen dónde es más probable que se encuentre una especie en función de factores como el clima, el terreno y el hábitat. Estos modelos de distribución de especies requieren grandes cantidades de datos sobre dónde se ha observado realmente la especie. La creación de modelos precisos puede ser un desafío para especies raras con registros de observación limitados.

Sin embargo, el auge de las plataformas de ciencia ciudadana ofrece nuevas oportunidades. Las aplicaciones y sitios web como iNaturalist permiten a los naturalistas aficionados documentar avistamientos de plantas y animales. Si bien estos registros de ciencia ciudadana a menudo se consideran de menor calidad que las encuestas profesionales, pueden mejorar significativamente los datos disponibles para especies raras y en peligro de extinción.

Gaier & Resasco investigó este enfoque para la Telesonix jamesii, James’s False Saxifrage, una rara planta de gran altitud con pocas observaciones documentadas. Es una saxifraga pequeña, de hasta 20 cm de altura, que crece en las grietas de las rocas en las Montañas Rocosas de Colorado y Nuevo México. Es necesario conocer mejor su historia natural y existe cierta incertidumbre sobre su distribución.

El botánico desarrolló cinco modelos diferentes para predecir la distribución de la planta, incluidos modelos estadísticos y algoritmos de aprendizaje automático. La inclusión de registros de ciencia ciudadana de iNaturalist duplicó los datos disponibles para la especie.

Los investigadores descubrieron que un modelo de aprendizaje automático de bosque aleatorio entrenado con datos profesionales y de ciencia ciudadana funcionó mejor, con una precisión del 98 % (medido como un valor de área bajo la curva). Todos los modelos principales se basaron en gran medida en variables climáticas como la temperatura promedio y las precipitaciones durante la temporada de crecimiento, lo que sugiere que este cultivo está en riesgo en un clima más cálido.

La validación de los modelos utilizando observaciones independientes también demostró los beneficios de los datos de ciencia ciudadana. Los modelos basados ​​solo en registros profesionales de museos y herbarios se desempeñaron peor en comparación con los registros de iNaturalist que aquellos que incluyeron datos de iNaturalist durante el entrenamiento. Gaier & Resasco escriben en su artículo:

El enfoque de integración de datos demostrado en este estudio tiene amplios beneficios potenciales para la conservación y gestión de especies raras. Hemos demostrado que los datos de la ciencia comunitaria pueden ser confiables y aumentar significativamente la cantidad de conjuntos de datos utilizables para modelar distribuciones. Tanto los registros del museo como los registros de iNaturalist deben examinarse para determinar la confiabilidad taxonómica y del sitio. El modelo mejorado que utiliza datos de iNaturalist solo se ajusta ligeramente. La elección del algoritmo de modelado mostró más variación en nuestros resultados que la elección de la fuente de datos. Gran parte de la información requerida para un modelado preciso T. jamesii La distribución ya ha sido registrada en los datos de la barra de hierbas. Por lo tanto, especulamos que este marco puede ser más útil para una especie con más observaciones de iNaturalist en nuevos hábitats. Es importante tener en cuenta que este es un estudio específico de especie y se podría obtener una mayor comprensión a través de un enfoque multiespecífico. Un próximo paso posible sería evaluar cómo este enfoque de integración de datos difiere entre especies que muestran diferentes patrones de rareza (Rabinowitz, 1981). A pesar de estas advertencias, la información obtenida de las proyecciones de nuestro modelo puede contribuir a la conservación de T. jamesii para respaldar futuras encuestas específicas (Williams et al., 2009), para ayudar a identificar las poblaciones más vulnerables y para predecir cómo la distribución podría verse afectada por futuros cambios climáticos (Franklin, 2013).

Gaier & Resasco 2023

LEER EL ARTÍCULO

Gaier, AG y Resasco, J. (2023) “¿La adición de observaciones científicas comunitarias a los registros del museo mejora el modelado de distribución de una planta endémica rara?” ecosfera, 14(3). Disponible en: https://doi.org/10.1002/ecs2.4419.