Gillespie y sus colegas han creado una herramienta de inteligencia artificial llamada Deepbiosphere para rastrear la biodiversidad vegetal. Utilizando imágenes satelitales y datos de científicos ciudadanos, este modelo de aprendizaje profundo ha cartografiado más de 2,000 especies de plantas en toda California. Supera a los métodos tradicionales, ya que detecta secuoyas gigantes y flores silvestres con gran precisión. Deepbiosphere podría revolucionar los esfuerzos globales para monitorear la vida vegetal, ayudándonos a comprender cómo el cambio climático y la actividad humana están transformando los ecosistemas.

Los autores afirman que Deepbiosphere supera a los modelos tradicionales de distribución de especies, logrando una mayor precisión. Puede mapear especies con una resolución de hasta unos pocos metros e identificar con precisión las comunidades de plantas. El modelo detectó tanto rebrotes maduros como jóvenes en bosques de secuoyas, lo que muestra los efectos duraderos de la deforestación. También puede identificar cambios rápidos en las comunidades de plantas después de eventos como incendios forestales, lo que demuestra su potencial para monitorear los cambios en la biodiversidad a lo largo del tiempo.

Gillespie y sus colegas desarrollaron un modelo de aprendizaje profundo, Deepbiosphere, utilizando una arquitectura de red neuronal convolucional modificada para alimentar imágenes aéreas combinadas del Programa Nacional de Imágenes Agrícolas con más de 650,000 observaciones de plantas realizadas por científicos ciudadanos de toda California. El modelo se entrenó para predecir la presencia de 2,221 especies de plantas. Su rendimiento se comparó con el de enfoques de modelado tradicionales como MaxEnt y Random Forest.

La biodiversidad vegetal está cambiando rápidamente debido a la destrucción del hábitat y al cambio climático. Los métodos tradicionales carecen de la resolución espacial y temporal necesaria para detectar estos rápidos cambios en las especies individuales. El enfoque de Deepbiosphere, que combina el aprendizaje profundo con la teledetección, ofrece nuevas posibilidades para el monitoreo de la biodiversidad en alta resolución.

En última instancia, prevemos un cambio de paradigma hacia modelos de código abierto que se capaciten y mejoren continuamente con nuevos datos de teledetección, observaciones de ciencia ciudadana y modalidades de datos a medida que estén disponibles. Lograr esto a partir de imágenes aéreas o satelitales públicas y el aumento de las observaciones de ciencia ciudadana hará que el monitoreo de la biodiversidad sea más accesible, lo que impulsará los objetivos de conservación de la naturaleza a nivel local y global.

Gillespie, LE, Ruffley, M. y Exposito-Alonso, M. (2024). Los modelos de aprendizaje profundo mapean los cambios rápidos en las especies de plantas a partir de datos de ciencia ciudadana y teledetección. Actas de la Academia Nacional de Ciencias, 121(37), e2318296121. https://doi.org/10.1073/pnas.2318296121 (OA)

Publicación cruzada en Bluesky, Mastodonte & Threads.