Estimación de la frecuencia y prevalencia de las especies mediante métodos no supervisados

Área de la Ciencia:

• Ecología Ecología Ecología.
• Informática de la biodiversidad Informática de la biodiversidad
• Biología computacional Biología computacional.

Sus antecedentes:

• La prevalencia de especies es vital para los modelos de nicho ecológico (ENM), pero es difícil de estimar debido a las limitaciones de datos, especialmente para las especies raras.
• Los datos precisos de prevalencia son esenciales para comprender la distribución de las especies y las asociaciones ambientales.

Objetivo del estudio:

• Desarrollar y validar una metodología basada en datos y sin supervisión para estimar la prevalencia de especies de ENM.
• Proporcionar estimaciones de prevalencia objetivas y sólidas para las especies, particularmente aquellas con datos de ocurrencia limitados.

Principales métodos:

• Aprovechados registros de ocurrencia del Global Biodiversity Information Facility para un enfoque de múltiples especies y sin supervisión.
• Se utilizaron métodos de agrupación, un modelo de aprendizaje profundo y el modelado de conjuntos para la clasificación de especies comunes.
• Clasificaciones transformadas en probabilidades de prevalencia y evaluadas en comparación con evaluaciones de expertos.

Principales resultados:

• La metodología propuesta clasificó con éxito la prevalencia de especies en 161 especies en la cuenca del lago Massaciuccoli.
• Todos los modelos demostraron una alta precisión, con un modelo de aprendizaje profundo que logró la mayor precisión (81-90%).
• El enfoque demostró ser escalable, reproducible y efectivo para generar estimaciones de prevalencia confiables.

Conclusiones:

• La metodología desarrollada ofrece una solución escalable y reproducible para estimar la prevalencia de especies, mejorando los modelos de nicho ecológico.
• Este enfoque basado en datos proporciona probabilidades de prevalencia objetivas, cruciales para la conservación de la biodiversidad y la investigación ecológica.
• Los hallazgos apoyan el uso de métodos computacionales para superar las limitaciones de los datos en los estudios ecológicos.